View
255
Download
0
Category
Preview:
Citation preview
A-i
TUGAS AKHIR – KS 141501
PERAMALAN ARUS LALU LINTAS JANGKA PENDEK
MENGGUNAKAN METODE K-NEAREST NEIGHBOR
(STUDI KASUS: JALAN BASUKI RAHMAT SURABAYA)
SHORT-TERM TRAFFIC FLOW FORECASTING USING K-
NEAREST NEIGHBOR METHOD (CASE STUDY: BASUKI
RAHMAT SURABAYA STREET)
ORIEHANNA ESESIAWATI
NRP 5213 100 029
Dosen Pembimbing:
Wiwik Anggraeni, S.Si, M.Kom
Faizal Mahananto, S.Kom, M.Eng, Ph.D
DEPARTEMEN SISTEM INFORMASI
Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember
Surabaya 2017
ii
TUGAS AKHIR – KS 141501
PERAMALAN ARUS LALU LINTAS JANGKA PENDEK
MENGGUNAKAN METODE K-NEAREST NEIGHBOR
(STUDI KASUS: JALAN BASUKI RAHMAT SURABAYA)
SHORT-TERM TRAFFIC FLOW FORECASTING USING K-
NEAREST NEIGHBOR METHOD (CASE STUDY: BASUKI
RAHMAT SURABAYA STREET)
ORIEHANNA ESESIAWATI
NRP 5213 100 029
Dosen Pembimbing:
Wiwik Anggraeni, S.Si, M.Kom
Faizal Mahananto, S.Kom, M.Eng, Ph.D
DEPARTMENT OF INFORMATION SYSTEM
FACULTY OF INFORMATION TECHNOLOGY
Sepuluh Nopember Institute of Technology
Surabaya 2017
i
LEMBAR PENGESAHAN
PERAMALAN ARUS LALU LINTAS JANGKA PENDEK
MENGGUNAKAN METODE K-NEAREST NEIGHBOR
(STUDI KASUS: JALAN BASUKI RAHMAT
SURABAYA)
TUGAS AKHIR
Disusun untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
pada
Departemen Sistem Informasi
Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember
Oleh:
ORIEHANNA ESESIAWATI
NRP 5213 100 029
Surabaya, 2017
KETUA
DEPARTEMEN SISTEM INFORMASI
Dr. Ir. Aris Tjahyanto, M.Kom.
NIP 19650310 199102 1 001
ii
LEMBAR PERSETUJUAN
PERAMALAN ARUS LALU LINTAS JANGKA PENDEK
MENGGUNAKAN METODE K-NEAREST NEIGHBOR
(STUDI KASUS: JALAN BASUKI RAHMAT SURABAYA)
TUGAS AKHIR
Disusun untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
pada
Departemen Sistem Informasi
Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember
Oleh:
ORIEHANNA ESESIAWATI
NRP 5213 100 029
Disetujui Tim Penguji: Tanggal Ujian : 10 Juli 2017
Periode Wisuda : September 2017
Wiwik Anggraeni, S.Si, M.Kom
Faizal Mahananto, S.Kom, M.Eng, Ph.D
(Pembimbing 1)
(Pembimbing 2)
Edwin Riksakomara, S.Kom, M.T (Penguji 1)
Ahmad Mukhlason, S.Kom., M.Sc, Ph.D (Penguji 2)
iii
PERAMALAN ARUS LALU LINTAS JANGKA
PENDEK MENGGUNAKAN METODE K-NEAREST
NEIGHBOR (STUDI KASUS: JALAN BASUKI
RAHMAT SURABAYA)
Nama Mahasiswa : Oriehanna Esesiawati
NRP : 5213100029
Departemen : Sistem Informasi FTIf – ITS
Dosen Pembimbing 1 : Wiwik Anggraeni, S.Si, M.Kom
Dosen Pembimbing 2 : Faizal Mahananto, S.Kom, M.Eng,
Ph.D
ABSTRAK
Kepadatan arus lalu lintas sering kali menyebabkan kemacetan
pada jalur yang ramai dilalui oleh pengendara. Terdapat
beberapa faktor yang menyebabkan kemacetan diantaranya
adalah volume kendaraan yang meningkat pesat dan tingginya
pertumbuhan penduduk pada kota-kota besar seperti Surabaya.
Pengambilan data untuk menganalisis data arus lalu lintas
masuk dilakukan secara tradisional, yaitu melakukan survey
lapangan, sedangkan arus lalu lintas yang terjadi tidak mudah
ditebak. Untuk itu, diperlukan sebuah peramalan arus lalu lintas
dari data history yang telah ada dengan mempertimbangkan
kesamaan atau kemiripan pola arus lalu lintas dari data histori
yang ada menggunakan algoritma K-Nearest Neighbor. K-
Nearest Neighbor adalah metode yang sangat
mempertimbangkan nilai k yang optimal untuk mendapatkan
hasil peramalan yang akurat.
Penelitian yang dilakukan menggunakan metode K-Nearest
Neighbor adalah peramalan arus lalu lintas jangka pendek pada
jalan Basuki Rahmat Surabaya. Input yang digunakan dalam
melakukan peramalan adalah data histori jumlah kendaraan
yang melaju pada jalan Basuki Rahmat Surabaya. Adapun
beberapa tipe kendaraan yang digunakan dalam peramalan
iv
adalah mobil pribadi, motor, taksi, angkot, bus besar, bus mini,
mini truk dan truk 2 sb.
Output yang dihasilkan dari penggunaan metode K-Nearest
Neighbor adalah jumlah kendaraan yang melaju pada jalan
Basuki Rahmat Surabaya pada tahun 2017. Dari hasil
penelitian, didapatkan bahwa model terbaik pada masing-
masing data memiliki k optimal adalah k=8 dengan error RMSE
165,888 untuk model terbaik motor, k=6 dengan error 101,897
untuk model mobil, k=10 dengan error 2,536 untuk model
angkot, k=2 dengan error 1,142 pada model bus besar, k=1
dengan error 1,626 pada model bus mini, k=3 dengan error
2,150 pada model mini truk, k=2 dengan error 4,490 pada model
taksi, dan k=8 dengan error 0,731 untuk model truk 2 SB.
Model terbaik pada masing-masing data akan dijadikan acuan
untuk peramalan 2017.
Hasil peramalan 2017 menjelaskan bahwa minimal kendaraan
yang melintas di jalan Basuki Rahmat adalah 811 dan maksimal
kendaraan yang melintas adalah 1377 kendaraan. Dari hasil
tersebut dapat diketahui waktu tersenggang dan terpadat pada
jalan Basuki Rahmat adalah pukul 05.20-05.30 dan 14.50-
15.00. Hasil peramalan yang didapatkan dapat dibuat acuan
atau pengambilan solusi untuk penanganan arus lalu lintas yang
akan datang pada jalan Basuki Rahmat Surabaya.
Kata Kunci : Peramalan, Arus lalu lintas jangka pendek, K-
Nearest Neighbor
v
SHORT-TERM TRAFFIC FLOW FORECASTING
USING K-NEAREST NEIGHBOR METHOD (STUDY
CASE: BASUKI RAHMAT SURABAYA STREET)
Student Name : Oriehanna Esesiawati
NRP : 5213100029
Department : Sistem Informasi FTIf – ITS
Supervisor 1 : Wiwik Anggraeni, S.Si, M.Kom
Supervisor 2 : Faizal Mahananto, S.Kom, M.Eng,
Ph.D
ABSTRACT
The density of traffic flows often causes congestion on the busy
lane of the rider. There are several factors that cause congestion
such as increasing vehicle’s volume rapidly and high population
growth in big cities such as Surabaya. Data collection to analyze
traffic flow is done traditionally, that is conducting field survey,
while the flow of traffic that happens is not easy to guess.
Therefore, it is necessary to forecast traffic flow from existing
historical data by considering similarity or similarity of traffic
flow pattern from existing historical data using K-Nearest
Neighbor algorithm. K-Nearest Neighbor is a method that
greatly considers the optimal k value to get accurate forecasting
results.
Research conducted using K-Nearest Neighbor method is short-
term traffic flow forecasting on the Basuki Rahmat Surabaya
street. The input used in the forecasting is the history of the
number of vehicles on the Basuki Rahmat Surabaya street. The
several types of vehicles used in forecasting are cars,
motorcycles, taxis, public transportation, large buses, mini
buses, mini trucks and 2 sb trucks.
vi
Output from using K-Nearest Neighbor method is the number
of vehicles that go on the Basuki Rahmat Surabaya street in
2017. From the research result, got the best model on each data
having RMSE error equal to 101,897 with k = 6 for car best
model, k = 8 with error 165,888 for motorcycle best model, k =
10 with error 2,536 for best model of public transportation, k =
2 With an error of 1,142 on the large bus best model, k = 1 with
error of 1,626 on the mini bus best model, k = 3 with error 2,150
on the mini truck best model, k = 2 with error 4,490 on taxi best
model, and k = 8 with error 0,731 for 2 SB truck best model.
The best model in each data will be used as a reference for 2017
forecasting.
Result of forecasting in 2017 explained that the minimum
vehicle that passes on the Basuki Rahmat street is 811 and the
maximum vehicle that passes is 1377 vehicles. So, from the
result known that the traffic is light at 05.20-05.30 and the
heavy traffic is at 14.50-15.00. Result of forecasting obtained
can be made reference or solution for the handling of traffic
flow that will come on the Basuki Rahmat Surabaya street.
vii
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Allah SWT yang telah
melimpahkan rahmat, taufik serta hidayah-Nya sehingga
penulis dapat menyelesaikan buku Tugas Akhir dengan tepat
waktu yang berjudul “PERAMALAN ARUS LALU LINTAS
JANGKA PENDEK MENGGUNAKAN METODE K-
NEAREST NEIGHBOR (STUDI KASUS: JALAN BASUKI
RAHMAT SURABAYA)”.
Pada kesempatan kali ini, penulis ingin menyampaikan ucapan
terima kasih kepada semua pihak yang telah mendukung,
mengarahkan, membimbing, membantu, dan memberikan
semangat kepada penulis, yaitu antara lain kepada:
1. Allah SWT, atas ridho dan segala kemudahan yang
diberikan untuk penulis, sehingga penulis dapat
menyelesaikan tugas akhir tepat waktu.
2. Kedua orang tua penulis, Bapak Sih Cahyo Wardayanto
dan Ibu Sri Purwaningsih atas segala dukungan,
bimbingan, tempat mencurahkan keluh kesah dan doa
yang diberikan untuk penulis.
3. Kedua adik kandung penulis, Ozora dan Gilang, yang
senantiasa selalu memberikan semangat dan dukungan.
4. Kedua dosen pembimbing, Pak Faizal dan Bu Wiwik,
yang selalu membimbing, mengarahkan dan membantu
penulis untuk menyelesaikan tugas akhir.
5. Dosen wali, Pak Arif Djunaedy, yang selalu
mendukung penulis selama kuliah.
6. Teman-teman MAFIA (kikin, friska, pitong, aput,
jember, ucan, adit, lugas, nanda, rica, deri, edo, jisung,
rukmo, bli, yere) teman-teman pertama penulis saat
masuk kuliah dan selalu menjadi yang terbaik sampai
akhir perkuliahan dan sampai nanti. Yang selalu
memberikan penulis saran, mendukung dan membuat
viii
hari-hari dunia perkuliahan tidak membosankan dan
menjenuhkan.
7. Teman-teman AWCE (garin, chitra, cesar, kitty, juki,
pakuy, pandu, icam) yang selalu yes ketika berurusan
dengan makanan dan kuliner.
8. Teman-teman KEONG CLUB (sherly, niswa, yurah,
sarah, fian, itak, firzu, mahes, rr, selina, visha) yang
selalu ada dalam suka dan duka dari jaman maba.
9. Teman-teman Lab RDIB yang selalu memberikan
semangat, motivasi dan kenangan selama satu tahun
terakhir di kampus.
10. Teman-teman yang turut membantu dan tidak kenal
lelah direpoti untuk ditanya-tanya mengenai tugas akhir
penulis (Maul, Ofi, Lily, Ervi).
11. Teman-teman BELTRANIS yang menjadi keluarga
selama 4 tahun penulis kuliah di ITS.
Tidak ada sesuatu hal yang sempurna kecuali Allah SWT, tidak
terkecuali juga untuk penyusunan buku Tugas Akhir ini.
Penyusunan Tugas Akhir ini masih banyak kekurangan dan
jauh dari kata sempurna. Oleh karena itu penulis menerima
segala kritik dan saran demi kesempurnaan untuk perbaikan di
masa mendatang. Semoga buku Tugas Akhir ini dapat
memberikan manfaat bagi pembaca dan menjadi sebuah
kontribusi bagi ilmu pengetahuan.
ix
DAFTAR ISI
ABSTRAK ..............................................................................iii
ABSTRACT ............................................................................. v
KATA PENGANTAR ........................................................... vii
DAFTAR ISI ........................................................................... ix
DAFTAR GAMBAR ............................................................xiii
DAFTAR TABEL ................................................................. xiv
BAB I PENDAHULUAN ........................................................ 1
1.1 Latar Belakang Masalah ........................................... 1
1.2 Perumusan Masalah.................................................. 4
1.3 Batasan Masalah ....................................................... 4
1.4 Tujuan Penelitian Tugas Akhir ................................ 5
1.5 Manfaat Penelitian Tugas Akhir .............................. 6
1.6 Relevansi .................................................................. 6
BAB II TINJAUAN PUSTAKA .............................................. 7
2.1 Penelitian Sebelumnya ............................................. 7
2.2 Profil Daerah Studi Kasus ...................................... 11
2.3 Arus Lalu Lintas ..................................................... 11
2.4 Kemiripan Pola Arus Lalu Lintas ........................... 11
2.5 Peramalan ............................................................... 11
2.6 Pola Data dalam Peramalan .................................... 12
2.7 Jangka Waktu Peramalan ....................................... 13
2.8 Error Peramalan...................................................... 13
2.9 Algoritma K-Nearest Neighbor (K-NN) ................ 15
2.10 Euclidean Distance ................................................. 15
x
2.11 Tahapan Analisa Algoritma K-Nearest Neighbor ..16
2.12.1 Pemilihan Data ...............................................16
2.12.2 Analisis Data...................................................16
2.12.3 Estimasi Parameter untuk K-NN dalam
Peramalan Arus Lalu Lintas ...........................................17
2.12.4 Identifikasi nilai K yang optimal ....................17
2.12.5 Identifikasi Pengukuran Jarak Optimum ........17
BAB III METODOLOGI PENELITIAN ...............................18
3.1 Diagram Metodologi...............................................19
3.2 Uraian Metodologi ..................................................19
3.2.1 Identifikasi Masalah .......................................20
3.2.2 Studi Literatur .................................................20
3.2.3 Menentukan Metode Penelitian ......................20
3.2.4 Pengumpulan Data ..........................................20
3.2.5 Analisa Algoritma K-Nearest Neighbor .........21
3.2.5.1 Pemilihan Data ...............................................21
3.2.5.2 Normalisasi data .............................................22
3.2.5.3 Menentukan Parameter ...................................22
3.2.5.4 Proses Training dan Testing ...........................22
3.2.5.5 Menentukan Model Terbaik ...........................23
3.2.5.6 Melakukan Peramalan ....................................24
3.2.5.7 Analisa Hasil Peramalan .................................24
3.2.6 Penyusunan Laporan Tugas Akhir..................24
BAB IV PERANCANGAN ...................................................27
4.1 Pengumpulan dan Pra-Proses data ..........................27
xi
4.1.1 Pengumpulan data .......................................... 27
4.1.1.1 Gambaran data ............................................ 27
4.1.2 Pra-Proses data ............................................... 33
4.2 Pemilihan data ........................................................ 34
4.3 Proses Training dan Testing ................................... 34
4.4.1 Menentukan Jarak Optimal ................................... 35
4.4.2 Menentukan nilai K ............................................... 35
4.4.3 Output Training dan Testing ................................. 35
4.4.4 Perhitungan Error Model Training dan Testing .... 36
4.4 Peramalan ............................................................... 36
4.4.1 Penggunaan data ............................................. 36
4.4.2 Menentukan tujuan ......................................... 37
4.4.3 Melakukan peramalan dengan Model Terbaik
37
4.4.4 Hasil peramalan .............................................. 37
4.5 Analisa hasil peramalan ......................................... 37
BAB V IMPLEMENTASI ..................................................... 39
5.1 Normalisasi data ........................................................... 39
5.2 Pemisahan Data untuk Training dan Testing ............... 41
5.3 Proses Training dan Testing ......................................... 41
5.3.1 Menentukan Input pada Proses Training dan Testing
........................................................................................ 42
5.3.3 Menjalankan Proses Training dan Testing ............ 43
5.3.3 Denormalisasi Hasil Training dan Testing ............ 44
5.3.3 Error Model Training dan Testing ......................... 44
5.3.4 Menentukan Model Terbaik .................................. 45
xii
5.5 Peramalan .....................................................................50
BAB VI HASIL DAN ANALISA ..........................................53
6.1 Hasil dan Analisa Proses Training dan Testing ......53
6.1.1. Training dan Testing pada Data Motor ...........53
6.1.2. Training dan Testing pada Data Mobil ...........59
6.1.3. Training dan Testing pada Data Angkot .........60
6.1.4. Training dan Testing pada Data Bus Besar ....60
6.1.5. Training dan Testing pada Data Bus Mini ......61
6.1.6. Training dan Testing pada Data Mini Truk ....62
6.1.7. Training dan Testing pada Data Taksi ............63
6.1.8. Training dan Testing pada Data Truk 2 SB ....63
6.2 Hasil dan Analisa Model Terbaik ...........................64
6.3 Hasil dan Analisa Peramalan ..................................65
BAB VII KESIMPULAN DAN SARAN ..............................71
7.1 Kesimpulan ...................................................................71
7.2 Saran .............................................................................72
DAFTAR PUSTAKA .............................................................73
BIODATA PENULIS .............................................................77
LAMPIRAN A DATA MENTAH ...................................... A-1
LAMPIRAN B DATA NORMALISASI .............................B-1
LAMPIRAN C SCRIPT R ...................................................C-1
LAMPIRAN D ERROR MODEL TRAINING DAN TESTING
............................................................................................. D-1
LAMPIRAN E HASIL PERAMALAN ............................... E-1
LAMPIRAN F DATA PERAMALAN ................................ F-1
xiii
DAFTAR GAMBAR
Gambar 3. 1 Metodologi penelitian ........................................ 19 Gambar 3. 2 Alur pengerjaan K-NN ...................................... 21
Gambar 4. 1 Grafik jumlah motor tahun 2011 - 2016 ............ 28 Gambar 4. 2 Grafik jumlah motor tahun 2011 periode 1 ....... 29 Gambar 4. 3 Grafik jumlah motor tahun 2011 periode 2 ....... 29 Gambar 4. 4 Grafik jumlah motor tahun 2012 periode 1 ....... 30 Gambar 4. 5 Grafik jumlah motor tahun 2013 periode 1 ....... 30 Gambar 4. 6 Grafik jumlah motor tahun 2013 periode 2 ....... 31 Gambar 4. 7 Grafik jumlah motor tahun 2014 periode 1 ....... 31 Gambar 4. 8 Grafik jumlah motor tahun 2014 periode 2 ....... 32 Gambar 4. 9 Grafik jumlah motor tahun 2015 periode 2 ....... 32 Gambar 4. 10 Grafik jumlah motor tahun 2016 periode 1 ..... 33 Gambar 4. 11 Grafik jumlah motor tahun 2016 periode 2 ..... 33
Gambar 5. 1 Grafik normalisasi data motor ........................... 40
Gambar 6. 9 Hasil peramalan motor tahun 2017 periode 1 .... 66 Gambar 6. 10 Grafik persentase jumlah kendaraan tahun 2017
periode 1 ................................................................................. 67 Gambar 6. 11 Grafik total kendaraan pada jalan Basuki Rahmat
tahun 2017 periode 1 .............................................................. 68
xiv
(halaman ini sengaja dikosongkan)
xv
DAFTAR TABEL
Tabel 2. 1 Penelitian sebelumnya ............................................. 7 Tabel 2. 2 Penelitian sebelumnya ............................................. 8 Tabel 2. 3 Penelitian sebelumnya ........................................... 10 Tabel 2. 4 Signifikansi nilai MAPE ....................................... 14
Tabel 5. 1 Hasil Normalisasi .................................................. 39 Tabel 5. 2 Error model untuk data observasi 2011 periode 1 dan
2011 periode 2 ........................................................................ 45 Tabel 5. 3 Error model untuk data observasi 2012 periode 1 dan
2013 periode 1 ........................................................................ 46 Tabel 5. 4 Error model untuk data observasi 2013 periode 2 dan
2014 periode 1 ........................................................................ 47 Tabel 5. 5 Error model untuk data observasi 2014 periode 2 dan
2015 periode 2 ........................................................................ 48 Tabel 5. 6 Error model untuk data observasi 2016 periode 1 . 50
Tabel 6. 1 Error training dan testing data motor dengan data
observasi tahun 2011 periode 1 .............................................. 53 Tabel 6. 2 Error training dan testing data motor dengan data
observasi tahun 2011 periode 2 .............................................. 54 Tabel 6. 3 Error training dan testing data motor dengan data
observasi tahun 2012 periode 1 .............................................. 54 Tabel 6. 4 Error training dan testing data motor dengan data
observasi tahun 2013 periode 1 .............................................. 55 Tabel 6. 5 Error training dan testing data motor dengan data
observasi tahun 2013 periode 2 .............................................. 55 Tabel 6. 6 Error training dan testing data motor dengan data
observasi tahun 2014 periode 1 .............................................. 56 Tabel 6. 7 Error training dan testing data motor dengan data
observasi tahun 2014 periode 2 .............................................. 57 Tabel 6. 8 Error training dan testing data motor dengan data
observasi tahun 2015 periode 2 .............................................. 57
xvi
Tabel 6. 9 Error training dan testing data motor dengan data
observasi tahun 2016 periode 1 ..............................................58 Tabel 6. 10 Error model testing pada data motor ...................58 Tabel 6. 11 Error model testing pada data mobil....................59 Tabel 6. 12 Error model testing pada data angkot ..................60 Tabel 6. 13 Error model testing pada data bus besar ..............61 Tabel 6. 14 Error model testing pada data bus mini ...............61 Tabel 6. 15 error model testing pada data mini truk ...............62 Tabel 6. 16 Error model testing pada data taksi .....................63 Tabel 6. 17 Error model testing pada data truk 2 SB..............63 Tabel 6. 18 Hasil error model terbaik .....................................64 Tabel 6. 19 MAPE model terbaik ...........................................65 Tabel 6. 20 Peningkatan atau penurunan jumlah kendaraan
tahun 2017 periode 1 ..............................................................67 Tabel 6. 21 Analisa waktu terpadat dan tersenggang .............69
1
BAB I
PENDAHULUAN
Pada bab pendahuluan dibahas mengenai permasalahan yang di
selesaikan pada tugas akhir ini meliputi latar belakang,
perumusan masalah, batasan masalah, tujuan tugas akhir, dan
manfaat kegiatan tugas akhir. Dengan adanya bab ini,
diharapkan dapat mempermudah pembaca dalam memahami
masalah yang ada dalam tugas akhir ini.
1.1 Latar Belakang Masalah
Masyarakat selalu ingin melakukan Urbanisasi, dimana
masyarakat yang tinggal di daerah-daerah kecil akan berpindah
ke kota-kota besar dengan harapan dapat meningkatkan
pendapatan finansial. Banyaknya masyarakat yang berpindah
ke kota-kota besar membuat pertumbuhan masyarakat
meningkat. Kepadatan penduduk yang menetap di kota-kota
besar seperti Jakarta, Bandung dan Surabaya sangat
berpengaruh terhadap kondisi lalu lintas perkotaan. Semakin
banyak kendaraan yang melewati jalan, semakin padat arus lalu
lintas pada jalan tersebut.
Sama seperti kota-kota besar lainnya, Kota Surabaya
merupakan kota besar kedua setelah Jakarta di Indonesia
dengan pertumbuhan penduduk yang tinggi. Hal tersebut sangat
berpengaruh kepada kondisi arus lalu lintas Kota Surabaya,
khususnya pada jalan raya besar yang sering dilalui oleh ribuan
kendaraan dalam sehari. Dengan tingkat penduduk yang tinggi
membuat pertambahan jumlah kendaraan pada masyarakat
berkembang pesat. Karena hal tersebut, jalan yang seharusnya
dapat dengan mudah dilalui pengendara, sering terjadi kendala
karena kemacetan.
Menurut Menteri Perhubungan pada tahun 2014, Kota Surabaya
menempati urutan ke-4 dari 10 kota dengan kemacetan paling
parah di Indonesia [1] dan Surabaya menempati urutan ke-7
2
kota dengan kemacetan paling parah di dunia pada tahun 2016
[2].
Menurut Kasatlantas Polrestabes Surabaya AKBP
Raydian Kokrosono pada artikel yang di posting Jawa Pos 1
Desember 2014 lalu [3], pertambahan kendaraan pada Kota
Surabaya setiap bulannya lebih dari 17.000 kendaraan dimana
rata-rata sepeda motor setiap bulannya adalah 13.441 dan
kendaraan roda empat atau lebih rata-rata bertambah 4.042
sehingga total rata-rata setiap bulannya, kendaraan di Surabaya
bertambah 17.483. Jumlah kendaraan di Surabaya pada tahun
2014 itu mencapai 4.521.629 kendaraan. Pesatnya peningkatan
jumlah kendaraan tidak selalu sebanding dengan pelebaran
jalan pada jalan-jalan yang ramai dilalui seperti Jalan Ahmad
Yani dan Jalan Basuki Rahmat Surabaya, sehingga sering kali
menimbulkan kemacetan dan membutuhkan manajemen
kontrol lalu lintas yang baik.
Dalam mengontrol lalu lintas, beberapa orang yang
bertugas melakukan survey di jalanan pada waktu-waktu
tertentu untuk mendapatkan data arus lalu lintas pada jalan-
jalan utama Surabaya. Cara konvensional yang masih dilakukan
oleh Dinas Perhubungan dan Lalu Lintas Angkutan Jalan
daerah Surabaya ini tentunya membutuhkan waktu yang cukup
lama dan keakuratan yang dapat dipercaya. Kegiatan yang
dilakukan berulang-ulang tersebut tidak dapat memprediksikan
kondisi di masa mendatang tentang kondisi arus lalu lintas
tersebut. Oleh karena itu dibutuhkan sistematika perhitungan
yang dapat meramalkan arus lalu lintas jangka pendek pada
jalan utama Surabaya khususnya adalah Jalan Basuki Rahmat
Surabaya dengan keakuratan tinggi, sehingga dapat diketahui
perkembangan situasi arus lalu lintas jangka pendek dalam
periode waktu tertentu. Peramalan jangka pendek yang
dilakukan adalah peramalan dengan kurun waktu tidak lebih
dari tiga bulan waktu peramalan [4]. Hal itu dilakukan untuk
mendapatkan hasil peramalan yang akurat dan hasil peramalan
3
dapat membantu dalam proses pengambilan keputusan atau
solusi yang lebih tepat dan efisien digunakan agar arus lalu
lintas Jalan Basuki Rahmat Surabaya tetap stabil dan terkendali.
Peramalan arus lalu lintas dapat dilakukan dengan berbagai
teknik statistika standard seperti simple smoothing (kernel
smoothing, simple exponential smoothing dan hybrid
exponential smoothing sera neural network), complex time
series analysis (ARIMA, SARIMA) dan filtering method
(Kalman filter). K-NN mempunyai beberapa kelebihan
diantaranya adalah K-NN cocok digunakan untuk mengolah
data besar, metode yang efektif pada data training yang besar
dan untuk menghadapi noisy pada data training, selain itu
metode K-NN dapat menghasilkan data yang akurat. K-NN
dapat mempertimbangkan kemiripan atau kesamaan dari pola
arus lalu lintas pada data history yang didapatkan, selain itu K-
NN mampu memberikan peramalan selama beberapa langkah
waktu atau perkiraan jejak atas horizon peramalan yang
ditentukan.
Dalam tugas akhir ini, peneliti akan menggunakan algoritma K-
Nearest Neighbor dalam meramalkan arus lalu lintas jangka
pendek pada Jalan Basuki Rahmat Surabaya dengan
mempertimbangkan kemiripan pola data lalu lintas dalam data
history. Untuk mengidentifikasi kemipiran pola tersebut,
digunakan algoritma K-Nearest Neighbor. Algoritma ini
mengidentifikasi urutan K paling mirip dengan pola yang sama
dengan yang sedang diperiksa. Kombinasi dari nilai-nilai
terdekat sesuai dengan langkah waktu di mana perkiraan
diinginkan yang akan dibuat akan nilai masa depan yang
diharapkan dari urutan yang diperiksa. Gagasan peramalan
berbasis K-Nearest Neighbor adalah bahwa pola urutan
pengamatan diulang dari waktu ke waktu. Oleh karena itu, jika
4
pola sebelumnya dapat diidentifikasi menjadi mirip dengan pola
saat ini, maka nilai-nilai berikutnya dari urutan sebelumnya
dapat digunakan untuk memprediksi nilai dari target di masa
depan. [5]
Variabel yang dibutuhkan untuk untuk menguji algoritma K-
Nearest Neighbor adalah pemilihan pengukuran jarak yang
tepat, durasi lag dan nilai K yang optimum. Variabel yang telah
ditentukan berpengaruh pada hasil peramalan, sehingga
kesalahan peramalan dapat minimum atau sekecil mungkin.
Oleh karena itu, menentukan hasil dari ketiga variabel yang
ditetapkan sangat menentukan hasil dari peramalan dan akurasi
peramalan yang akan dilakukan.
Pemilihan algoritma K-Nearest Neighbor sebagai metode
peramalan arus lalu lintas jangka pendek merupakan pilihan
yang efektif, sehingga algoritma ini dapat membantu untuk
menemukan solusi atas kondisi arus lalu lintas di masa datang.
1.2 Perumusan Masalah
Berdasarkan latar belakang yang telah dijabarkan sebelumnya,
rumusan Masalah dari penelitian ini adalah:
1. Bagaimana memodelkan proses ekstraksi informasi
sebagai input dari K-Nearest Neighbor?
2. Bagaimana algoritma K-Nearest Neighbor dapat
menyelesaikan peramalan arus lalu lintas jangka
pendek pada Jalan Basuki Rahmat Surabaya?
3. Bagaimana performa yang dihasilkan dari penerapan
algoritma K-Nearest Neighbor dalam menyelesaikan
peramalan arus lalu lintas jangka pendek pada Jalan
Basuki Rahmat Surabaya?
1.3 Batasan Masalah
Batasan malasah dari penelitian ini adalah :
5
1. Studi kasus yang digunakan pada tugas akhir ini adalah
Jalan Basuki Rahmat Surabaya
2. Data history yang digunakan adalah data arus lalu lintas
pada Jalan Basuki Rahmat pada tahun 2011 sampai
tahun 2016
3. Tahun 2012 dan tahun 2015, data arus lalu lintas dicatat
1 kali dalam setahun. Pada tahun 2011, 2013, 2014 dan
2016 dicatat 2 kali dalam setahun.
4. Durasi waktu arus lalu lintas yang dicatat pada data
histori dari pukul 05.00 sampai pukul 21.00 WIB
5. Interval waktu perhitungan kendaraan yang melalui
Jalan Basuki Rahmat adalah setiap 10 menit.
6. Data yang digunakan adalah jumlah motor, mobil
pribadi, angkot, taksi, bus mini, bus besar, truk mini
dan truk 2 sb yang melaju pada Jalan Basuki Rahmat.
1.4 Tujuan Penelitian Tugas Akhir
Berdasarkan rumusan masalah yang telah dijabarkan, terdapat
beberapa tujuan yang ingin dicapai, diantaranya adalah:
1. Menerapkan algoritma K-Nearest Neighbor untuk
mendapatkan hasil peramalan arus lalu lintas jangka
pendek dari Jalan Basuki Rahmat Surabaya.
2. Memodelkan proses ekstraksi informasi sebagai input
dari K-Nearest Neighbor
3. Mengetahui performa yang dihasilkan dari penerapan
algoritma K-Nearest Neighbor dalam menyelesaikan
peramalan arus lalu lintas jangka pendek pada Jalan
Basuki Rahmat Surabaya
6
1.5 Manfaat Penelitian Tugas Akhir
Manfaat yang diberikan dengan adanya tugas akhir ini adalah:
1. Memberikan gambaran kepada Dinas Perhubungan dan
Lalu lintas Angkutan Jalan daerah Surabaya tentang
prediksi arus lalu lintas jangka pendek yang akan
terjadi pada Jalan Basuki Rahmat yang akan datang.
2. Menjadi bahan pertimbangan dalam pengambilan
keputusan berupa penanganan yang tepat untuk
menghadapi kepadatan arus lalu lintas pada Jalan
Basuki Rahmat Surabaya.
1.6 Relevansi
Kemacetan yang terjadi di dalam kota-kota besar tidak dapat
dihindari lagi, terutama pada jalan-jalan tertentu yang sering
dilalui kendaraan. Tidak sedikit usaha dari Pemerintah untuk
meminimalkan terjadinya kemacetan, namun belum
menemukan cara optimal untuk menghilangkan kemacetan
tersebut. Untuk mempermudah pengambilan keputusan pada
kepadatan arus lalu lintas, diperlukan prediksi arus lalu lintas
jangka pendek. Algortima K-Nearest Neighbor dapat
digunakan untuk mendapatkan nilai dari arus lalu lintas jangka
pendek kedepannya yang mendekati dengan nilai aktual.
Dengan itu, hasil dari penelitian tugas akhir ini dapat dijadikan
salah satu acuan dalam pengambilan keputusan berupa
penanganan yang tepat dalam menghadapi padatnya arus lalu
lintas kedepannya dan menimalkan kemacetan pada jalan-jalan
yang ramai dilalui.
7
BAB II
TINJAUAN PUSTAKA
Dalam bab ini akan menjelaskan mengenai penelitian
sebelumnya, profil daerah yang digunakan dalam studi kasus
penelitian dan tinjauan pustaka yang digunakan sebagai dasar
acuan dalam menyelesaikan tugas akhir.
2.1 Penelitian Sebelumnya
Terdapat beberapa penelitian sebelumnya yang dapat dijadikan
acuan dan referensi dalam pengerjaan tugas akhir, diantaranya
adalah sebagai berikut.
Tabel 2. 1 Penelitian sebelumnya
Judul
Paper
An Improved K-Nearest Neighbor Model for
Short-term Traffic Flow Prediction [6]
Penulis;
Tahun
Lun Zhang, Qiuchen Liu, Wenchen Yang,
Nai Wei, Decun Dong; 2013
Deskripsi
Umum
Penelitian
Prediksi arus lalu lintas jangka pendek
menggunakan metode K- Nearest Neighbor.
Arus lalu lintas yang didemokan tidak
menentu, non linear dan mempunyai
karakteristik yang kompleks. Terdapat tiga
aspek dalam memprediksi arus lalu lintas
jangka pendek ini, yaitu data histori, search
mechanisms dan paramater algoritma, dan
perencaan prediksi. Yang dilakukan pertama
kali adalah preprosesing data asli kemudian
distandarisasi keefektifan data untuk
menghindari perbedaan dari sampel data dan
peningkatan akurasi prediksi. Prediksi arus
lalu lintas jangka pendek ini menggunakan
bantuan Matlab. Hasil dari penelitian, akurasi
prediksi arus lalu lintas berdasarkan K-NN
non parametrik regresi diatas 90%.
8
Keterkaitan
Penelitian
Penelitian ini akan menjadi salah satu acuan
dalam pengerjaan tugas akhir.
Tabel 2. 2 Penelitian sebelumnya
Judul
Paper
Short-term Traffic Flow Forecasting bases on
Two-tier K-Nearest Neighbor Algorithm [7]
Penulis;
Tahun
Hou Xiaoyu, Wang Yisheng, Hu Siyu; 2013
Deskripsi
Umum
Penelitian
Penelitian ini berdasarkan K-Nearest
Neighbor menggunakan algoritma Two-tier
K-Nearest Neighbor. Penelitian ini
mengkombinasikan aktual arus lalu lintas,
dikalibrasi parameter algoritma untuk
meningkatkan kalkulasi kecepatan dan
akurasi algoritma. Efisiensi dari algoritma
two-tier k-nearest neighbor bergantung pada
ukuran database dan struktur penyimpanan
dari sampel data histori lalu lintas. Hasil dari
penelitian dilihat bahwa algoritma dapat
menemukan real-time, akurasi dan
keunggulan dari peramalan arus lalu lintas
jangka pendek.
Keterkaitan
Penelitian
Penelitian ini akan menjadi salah satu acuan
dalam pengerjaan tugas akhir.
Judul
Paper
Short-term Traffic Flow Rate Forecasting
based on Identifying Similar Traffic Patterns
[5]
Penulis;
Tahun
Filmon G. Habtemichael, Mecit Cetin; 2016
9
Deskripsi
Umum
Penelitian
Penelitian tentang peramalan arus lalu lintas
menggunakan K-Nearest Neighbor, dimana
mempertimbangkan kesamaan dari pola arus
lalu lintas dalam data history yang dimiliki.
Kemiripan atau kesamaan pola arus lalu lintas
tersebut akan digunakan dalam pengukuran
jarak. Selain itu, terdapat variabel lag durasi
dan nilai K yang menjadi acuan penelitian ini.
Hasil yang didapat dari penelitian ini adalah
pola lalu lintas yang ada dalam dataset histori
dapat digunakan untuk memberikan
peramalan tingkat arus lalu lintas jangka
pendek dengan handal dan akurat. Algoritma
K-NN berdasarkan jarak Weight Euclidean
sangat efektif dalam mengidentifikasi pola
lalu lintas yang sama dari set besar data
histori. pendekatan non-parametrik dan data-
driven untuk peramalan lalu lintas jangka
pendek memberikan hasil yang lebih baik bila
dibandingkan dengan model yang
menggunakan persamaan yang ditetapkan,
asalkan cukup data yang tersedia untuk
memilih pola yang sama. Mengingat
kesederhanaan, akurasi yang lebih baik, dan
ketahanan dari pendekatan yang diusulkan,
dapat dengan mudah digabungkan dengan
aplikasi lalu lintas lainnya dan real-time
kontrol lalu lintas untuk manajemen proaktif
lalu lintas jalan bebas hambatan. Mengingat
akurasi pendekatan berbasis K-NN
tergantung pada ukuran ruang pencarian,
model berdasarkan analisis time series harus
digunakan jika ukuran dataset yang tersedia
kecil.
10
Keterkaitan
Penelitian
Algoritma peramalan yang digunakan pada
penelitian ini akan menjadi acuan pengerjaan
tugas akhir.
Tabel 2. 3 Penelitian sebelumnya
Judul Paper A spatiotemporal correlative k-nearest
neighbor model
for short-term traffic multistep forecasting [8]
Penulis;
Tahun
Pinlong Cai, Yunpeng Wang, Guangquan Lu,
Peng Chen, Chuan Ding, Jianping Sun; 2016
Deskripsi
Umum
Penelitian
Penelitian ini mengusulkan peningkatan
model K-NN untuk meningkatkan akurasi
peramalan berdasarkan korelasi
spatiotemporal dan untuk mencapai
peramalan multi tahapan. Jarak fisik antara
ruas jalan diganti dengan jarak yang setara,
yang didefinisikan oleh data statis dan
dinamis yang dikumpulkan dari jaringan
jalan yang nyata. Keadaan lalu lintas dari ruas
jalan digambarkan oleh matriks negara
spatiotemporal bukan hanya serangkaian
waktu seperti pada model K-NN asli. Para
tetangga terdekat dipilih sesuai dengan jarak
Gaussian Weighted Euclidean, yang
menyesuaikan pengaruh waktu dan ruang
faktor di matriks negara spatiotemporal.
Akurasi peramalan peningkatan K-NN dan
empat model lainnya akan dibandingkan, dan
hasil eksperimen menunjukkan bahwa model
peningkatan K-NN yang lebih tepat untuk
jangka pendek peramalan lalu lintas multi
tahapan dari model-model lain. Penelitian ini
juga membahas penerapan model K-NN
dalam keadaan lalu lintas waktu yang
bervariasi.
11
Keterkaitan
Penelitian
Penelitian ini menjadi salah satu acuan dalam
pengerjaan tugas akhir.
2.2 Profil Daerah Studi Kasus
Jalan Basuki Rahmat Surabaya adalah jalan yang berada pada
pusat Surabaya dimana jalan ini merupakan jalan satu arah.
Jalan basuki rahmat merupakan salah satu jalanan tersibuk pada
Kota Surabaya yang ramai dilalui kendaraan karena sekitar
jalan ini terdapat hotel, tempat berbelanja dan perkantoran.
2.3 Arus Lalu Lintas
Arus lalu lintas adalah keadaan dimana sebuah jalan yang
sedang dilalui pengendara dengan mempertimbangkan lebar
jalan dan volume kendaraan yang melalui suatu jalan tersebut.
Arus lalu lintas terpantau ramai atau padat ketika volume
kendaraan yang melalui jalan tersebut besar sehingga
menimbulkan kemacetan.
2.4 Kemiripan Pola Arus Lalu Lintas
Kemiripan atau kesamaan pola arus lalu lintas didapatkan dari
data histori. Pola yang dianggap mirip atau sama ketika pada
waktu tertentu atau tanggal tertentu mengalami arus lalu lintas
yang sama [5].
2.5 Peramalan
Peramalan adalah ilmu pengetahuan untuk memprediksikan
sesuatu yang akan terjadi di masa depan. Peramalan dapat
dilakukan menggunakan data-data masa lalu yang diolah
menggunakan metode peramalan [4]. Tujuan dari peramalan
adalah menjadi acuan pengambilan keputusan tentang sesuatu
yang terjadi di masa depan yang telah diperkirakan di masa saat
12
ini. Teknik peramalan terbagi menjadi dua, diantaranya adalah
[9]:
1. Peramalan kualitatif
Peramalan yang menggunakan intuisi, pengalaman
pribadi dan berdasarkan pendapat (judgement) dari
yang melakukan peramalan. 2. Peramalan kuantitatif
Peramalan menggunakan berbagai model matematis
atau metode statistik dan data historis atau variabel-
variabel kausal untuk meramalkan permintaan.
Peramalan kuantitatif dapat dibedakan menjadi dua
berdasarkan metode peramalan, yaitu:
a. Time series Metode yang dipergunakan untuk menganalisis
serangkaian data yang merupakan fungsi dari
waktu.
b. Causal atau Explanatory
Mengasumsikan variabel yang diramalkan
menunjukkan adanya hubungan sebab akibat
dengan satu atau beberapa variabel bebas
(independent variable).
2.6 Pola Data dalam Peramalan
Pola data menjadi hal yang sangat diperhatikan dalam
peramalan karena metode yang akan digunakan dalam
peramalan berdasarkan pola data yang didapatkan. Pola data
dalam peramalan dibagi menjadi empat, diantaranya adalah [4]:
1. Trend
Pola Trend adalah pola data dimana adanya kenaikan
atau penurunan secara terus-menerus dalam jangka
waktu panjang
2. Seasonal
13
Pergerakan berosilasi dalam data yang terjadi secara
berkala (dalam jangka pendek) dan berulang-ulang.
3. Stasioner
Pergerakan data hanya berada di sekitar rata-rata dan
perubahan tidak begitu terlihat atau konstan pada
rentang waktu yang panjang.
4. Cycle
Gerakan bergelombang dalam data, atas dan bawah,
yang berulang selama rentang waktu yang panjang
(lebih dari 1 tahun).
2.7 Jangka Waktu Peramalan
Secara umum, peramalan dapat diklasifikasikan menurut
jangka waktunya, diantaranya adalah [4] :
1. Peramalan jangka pendek
Peramalan jangka pendek biasanya mencakup waktu
dekat dan lebih memperhatikan operasi-operasi sehari-
hari dari perusahaan bisnis, seperti permintaan atau
sumber daya kebutuhan sehari-hari. Ramalan jangka
pendek jarang melampaui beberapa bulan ke depan.
2. Jangka menengah
Peramalan jangka menengah biasanya meliputi 1 atau 2
bulan sampai 1 tahun.
3. Jangka panjang
Peramalan jangka panjang umumnya lebih terkait
dengan rencana tahunan perusahaan atau instansi,
jangka waktunya lebih dari 1 atau 2 tahun.
2.8 Error Peramalan
Error peramalan yang digunakan sebagai indikator kinerja
dalam akurasi metode peramalan yang diusulkan, yaitu Root
Mean Square Error (RMSE) [5] dan MAPE. Root Mean Square
14
Error (RMSE) memberikan kesalahan yang terjadi dari
perbedaan perhitungan. Nilai RMSE menunjukkan ada
beberapa variasi dalam besarnya kesalahan peramalan yang
dibuat.
𝑅𝑀𝑆𝐸 = 1
𝑛 √𝑛 ∑ (𝑂𝑖 − 𝐹𝑖)2
𝑛
𝑖=0
Dimana
𝐹𝑖 adalah nilai peramalan ke-i
𝑂𝑖 adalah nilai aktual ke-i
𝑛 adalah jumlah sampel yang digunakan
Mean Absoulute Percentage Error merupakan faktor yang
penting dalam mengevaluasi akurasi peramalan. MAPE akan
menunjukan seberapa besar kesalahan peramalan dibandingkan
dengan nilai aktual dari series.
𝑀𝐴𝑃𝐸 =100
𝑁∑
|𝑒𝑡|
𝑋𝑡
𝑁
𝑡=1
Dimana
𝑒𝑡 adalah kesalahan pada waktu ke-t
N adalah jumlah data
𝑋𝑡 adalah nilai aktual.
Semakin rendah nilai MAPE, maka model peramalan dapat
dikatakan memiliki kemampuan yang baik. Signifikansi nilai
MAPE dapat dilihat pada Tabel 2. 4 [10]
Tabel 2. 4 Signifikansi nilai MAPE
MAPE Signifikansi
<10% Kemampuan peramalan sangat baik
15
MAPE Signifikansi
10-20% Kemampuan peramalan baik
20-50% Kemampuan peramalan layak
>50% Kemampuan peramalan buruk
2.9 Algoritma K-Nearest Neighbor (K-NN)
K-Nearest Neighbor (K-NN) digunakan sebagai algoritma
dasar untuk mengidentifikasi profil lalu lintas. K-NN adalah
teknik non-parametrik pengenalan pola yang umum digunakan
untuk tujuan klasifikasi dan regresi [5]. Jika diberikan objek
tidak berlabel, pencarian algoritma untuk objek yang sama atau
tetangga dari ruang pencarian dan memberikan label untuk
objek tidak berlabel berdasarkan sifat dari tetangga terdekat.
Konsep yang sama juga dapat diterapkan untuk urutan
pengamatan, misalnya, pengukuran tingkat arus. Algoritma
mengidentifikasi urutan K dari data masa lalu yang paling mirip
dengan pola yang sama dengan yang sedang diperiksa.
Kombinasi dari nilai-nilai terdekat sesuai dengan langkah
waktu di mana perkiraan diinginkan yang akan dibuatkan nilai
masa depan yang diharapkan. Peramalan berbasis K-NN
mengacu bahwa pola urutan pengamatan diulang dari waktu ke
waktu. Oleh karena itu, jika pola sebelumnya dapat
diidentifikasi menjadi mirip dengan pola saat ini, maka nilai-
nilai berikutnya dari urutan sebelumnya dapat digunakan untuk
memprediksi nilai masa depan [11] [12].
2.10 Euclidean Distance
Jarak Euclidean adalah jarak dari garis lurus yang
menghubungkan dua titik dan ukuran jarak yang paling umum
[13]. Untuk urutan poin, 𝑥𝑇𝑚 dan 𝑦𝑇
𝑚, diperoleh dengan
menggabungkan jarak antara titik-titik data yang sesuai dalam
urutan seperti yang ditunjukkan pada persamaan:
16
𝐷(𝑥𝑇𝑚,𝑦𝑇
𝑚) = √∑ (𝑥𝑇−𝑖 − 𝑦𝑇−𝑖)2𝑚−1
𝑖=0
2.11 Tahapan Analisa Algoritma K-Nearest Neighbor
Setelah menganalisis efektivitas setiap ukuran kesamaan untuk
data lalu lintas, terdapat pengukuran jarak yang dapat
dipertimbangkan, yaitu euclidean distance [5].
Variabel nilai K yang digunakan sangat penting untuk
meminimalkan kesalahan prediksi. Nilai K yang dipilih dapat
mempengaruhi akurasi peramalan. Dengan
dipertimbangkannya peningkatan nilai K, kesalahan peramalan
menurun dan kemudian mulai meningkat sedikit demi sedikit
[14] [15].
2.12.1 Pemilihan Data
Langkah pertama yang harus dilakukan adalah memilih
data. Data histori yang didapatkan akan menjadi dataset
penelitian. Dari dataset tersebut, 70% dari dataset akan
digunakan sebagai traning data untuk estimasi variabel
model. 30% dari dataset digunakan untuk testing data [16].
2.12.2 Analisis Data
Analisis data menurut para ahli [17] merupakan sebuah
proses pencarian dan penyusunan data sistematis untuk
menemukan hubungan, pola dan makna terhadap data. Pada
penelitian ini, dilakukannya analisis data untuk
menghindari terjadinya overfitting. Digunakan teknik
validasi cross validation dari model pelatihan yang
digunakan pada dataset yang digunakan sebagai dataset
training untuk estimasi variabel model peramalan arus lalu
lintas jangka pendek berdasarkan K-NN, yaitu, ukuran
jarak optimal untuk digunakan, dan nilai K. Setelah
17
parameter optimum diidentifikasi menggunakan sepertiga
dari dataset, Model K-NN diterapkan untuk semua dataset
dan akurasi peramalan keseluruhan diperiksa.
2.12.3 Estimasi Parameter untuk K-NN dalam
Peramalan Arus Lalu Lintas
Beberapa parameter harus ditentukan terlebih dahulu
sehingga kesalahan peramalan dapat sekecil mungkin.
Parameter ini meliputi:
1. Pemilihan ukuran jarak yang cocok
Pemilihan jarak yang digunakan untuk
mempertimbangkan kemiripan pola arus lalu lintas
pada data histori.
2. Nilai k.
Nilai K ditentukan berdasarkan jarak yang telah
diketahui. Semakin besar nilai K yang ditentuan, maka
kesahanan peramalan akan meningkat berangsur-
angsur sehingga dibutuhkan analisa nilai K yang
sesuai.
2.12.4 Identifikasi nilai K yang optimal
Nilai K yang optimal digunakan untuk meminimalkan
kesalahan peramalan. Penetapan nilai K akan disesuaikan
dengan mempertimbangkan akurasi menggunakan RMSE.
2.12.5 Identifikasi Pengukuran Jarak Optimum
Untuk mengidentifikasi jarak optimum, sebelumnya
dilakukannya pengukuran jarak menggunakan Euclidean
Distance.
18
(halaman ini sengaja dikosongkan)
19
BAB III
METODOLOGI PENELITIAN
Bab metodologi membahas mengenai alur penyelesaian
penelitian. Tujuan dari bab ini adalah agar penyusunan dan
penyelesaian penelitian dapat terstruktur dan selesai tepat pada
waktu yang telah direncanakan.
3.1 Diagram Metodologi
Berikut ini disajikan metodologi pengerjaan tugas akhir
Peramalan Arus Lalu Lintas Jangka Pendek menggunakan
Algoritma K-Nearest Neighbor:
Gambar 3. 1 Metodologi penelitian
3.2 Uraian Metodologi
Berdasarkan pada diagram alur metodologi yang telah
dikemukakan pada sub bab sebelumnya, di bawah ini adalah
20
penjelasan pada setiap proses pengerjaan tugas akhir sesuai
dengan metodologi yang telah dibuat:
3.2.1 Identifikasi Masalah
Masalah didapatkan dari pengamatan peneliti pada jalan-
jalan yang sering dilalui oleh pengendara hingga sering
menimbulkan kemacetan pada Kota Surabaya. Masalah
yang akan dibahas pada Tugas Akhir ini adalah kemacetan
yang sering terjadi pada Jalan Basuki Rahmat.
3.2.2 Studi Literatur
Studi literatur dilakukan pada buku pustaka, penelitian-
penelitian sebelumnya berupa paper yang memiliki
keterkaitan dengan masalah yang ingin diselesaikan dan
informasi-informasi dari media elektronik yang membahas
mengenai masalah tersebut. Studi literatur digunakan untuk
referensi penggunaan metode dalam penyelesaian masalah
dan menentukan variabel-variabel yang dapat diadopsi
untuk penyelesaian masalah.
3.2.3 Menentukan Metode Penelitian
Metode penelitian didapatkan dari hasil identifikasi
masalah dan studi literatur yang telah dilakukan. Dari studi
literatur dengan masalah yang serupa, dilakukan
perbadingan antara satu dengan yang lainnya
mempertimbangkan kekurangan dan kelebihan serta
variabel-variabel yang paling mendekati dengan
penyelesaian masalah. Hasil perbandingan tersebut,
didapatkan metode Algoritma K-Nearest Neighbor sebagai
metode yang dianggap paling tepat untuk menyelesaikan
masalah.
3.2.4 Pengumpulan Data
Data merupakan hal penting dalam sebuah penelitian. Data
yang dibutuhkan dalam penelitian berupa data masa lalu
sebagai acuan dalam mengerjakan penelitian. Dalam hal
21
ini, pengumpulan data dilakukan peneliti dengan bantuan
pihak Dinas Perhubungan Kota Surabaya meliputi data arus
lalu lintas dari tahun 2011 sampai tahun 2016. Dinas
Perhubungan Surabaya melakukan pengambilan data
dibagi menjadi 2 periode. Periode yang dimaksud adalah
periode pengambilan data, dimana dalam setahun, Dinas
Perhubungan Surabaya melakukan pengambilan data
sebanyak 2 kali. Periode 1 pengambilan data adalah bulan
Maret, sedangkan periode 2 pengambilan data adalah bulan
Oktober.
3.2.5 Analisa Algoritma K-Nearest Neighbor
Data yang telah terkumpul merupakan data yang akan
digunakan pada proses peramalan menggunakan K-Nearest
Neighbor.
Gambar 3. 2 Alur pengerjaan K-NN
3.2.5.1 Pemilihan Data
Data yang didapatkan akan dibagi untuk dijadikan data
pada proses training dan data untuk proses testing K-NN.
Data traning yang digunakan adalah data dari tahun 2011
periode 1 hingga 2016 periode 1 dan data testing yang
digunakan adalah data tahun 2016 periode 2. Untuk
22
peramalan tahun 2017 periode 1, digunakan data dari tahun
2011 periode 2 hingga 2016 periode 2.
3.2.5.2 Normalisasi data
Data yang digunakan akan dilakukan normalisasi
menggunakan metode Min-Max dengan range normalisasi
antara 0 sampai dengan 1 [18].
3.2.5.3 Menentukan Parameter
Untuk keperluan dari algoritma K-Nearest Neighbor,
diperlukan parameter untuk tercapainya hasil yang optimal,
sehingga kesalahan error minimum. Parameter yang
digunakan untuk dilakukannya peramalan berdasarkan K-
NN adalah jarak optimal dan nilai k yang optimal.
Untuk mengukur jarak optimum, digunakan Euclidean
Distance [19]. Setelah melakukan pengukuran jarak
optimum, identifikasi parameter lainnya yaitu nilai k dalam
peramalan. menurut penelitian sebelumnya yang terkait [5],
semakin besar nilai k yang dipakai, akan terjadi
peningkatan kesalahan peramalan berangsur-angsur. Nilai
k yang digunakan juga bergantung dengan jumlah data yang
diamati. Nilai k yang optimum untuk dipertimbangkan
dalam peramalan arus lalu lintas berdasarkan K-NN adalah
diantara 1 sampai 10 [6].
3.2.5.4 Proses Training dan Testing
Proses training dan testing dilakukan bersama-sama untuk
menemukan model-model peramalan dengan input dan
parameter yang telah ditentukan. Proses ini akan
menghasilkan model-model berdasarkan nilai k dari 1
sampai 10 dengan mempertimbangkan data observasi mulai
tahun 2011 periode 1 hingga tahun 2016 periode 1 beserta
kesalahan atau error pada setiap model [20] [21]. Adapun
beberapa langkah yang dilakukan pada saat proses training
dan testing menggunakan algoritma dari K-Nearest
Neighbor, diantaranya:
23
1. Tentukan terlebih dahulu range nilai k yang akan
diamati.
2. Menentukan input pada proses, diantaranya adalah
data untuk proses training, data untuk proses testing
dan data observasi.
3. Masukkan input dan parameter nilai k pada
algoritma K-NN
4. Perhitungan jarak optimal menggunakan euclidean
distance berdasarkan atribut (8 periode data)
5. Jarak-jarak tersebut akan diurutkan berdasarkan
jarak terdekat sampai jarak terjauh. Urutan jarak
terdekat dengan data yang disebut nearest neighbor
6. Perhitungan nilai dari nearest neighbor terhadap k
7. Hasil nilai dari nearest neighbor terhadap k=i akan
dirata-rata kemudian menjadi output
8. Nilai-nilai yang dihasilkan pada k=i dengan 1 data
observasi akan menjadi 1 model
9. Perhitungan nilai error RMSE pada setiap model
10. Perhitungan RMSE dengan data target sebagai
RMSE untuk training, dan dengan data testing
dihasilkan RMSE untuk testing
11. Langkah 1-10 diulangi sebanyak k dan data
observasi
3.2.5.5 Menentukan Model Terbaik
Model terbaik didapatkan berdasarkan model-model yang
telah didapatkan pada proses training dan testing. Dengan
melihat tingkat kesalahan atau error, model terbaik
didapatkan dari nilai kesalahan yang paling rendah antara
model-model proses testing. Model yang terbaik dengan
tingkat kesalahan paling rendah akan digunakan untuk acuan
pada peramalan tahun 2017 periode 1 [5].
24
3.2.5.6 Melakukan Peramalan
Peramalan dilakukan pada masing-masing data dengan
menggunakan nilai k yang telah didapatkan pada model
terbaik yang telah dilakukan pada proses testing pada
masing-masing data. Hasil peramalan yang didapatkan
adalah data jumlah kendaraan yang melaju pada jalan Basuki
Rahmat Surabaya pada tahun 2017 periode 1 dari pukul
05.00 hingga 21.00.
3.2.5.7 Analisa Hasil Peramalan
Peramalan yang telah dilakukan akan dianalisa mengacu
pada data histori. Analisa hasil peramalan dapat berupa
persentase peningkatan atau penurunan jumlah kendaraan,
jumlah maksimal dan jumlah minimal kendaraan yang
melaju pada jalan Basuki Rahmat beserta waktunya [22]
[23].
3.2.6 Penyusunan Laporan Tugas Akhir
Tahapan akhir adalah penyusunan laporan tugas akhir.
Laporan ini bertujuan untuk menjelaskan dengan rinci hasil
dari penelitian yang dilakukan pada tugas akhir. Laporan
tugas akhir meliputi:
Bab I Pendahuluan
Bab ini menjelaskan tentang latar belakang, rumusan dan
batasan masalah, tujuan, manfaat dan relevansi dalam
pengerjaan tugas akhir.
Bab II Tinjauan Pustaka dan Dasar Teori
Bab ini menjelaskan tentang penelitian-penelitian
sebelumnya yang terkait dengan masalah yang diangkat
pada tugas akhir dan dasar-dasar teori yang digunakan
sebagai acuan dalam pengerjaan tugas akhir.
25
Bab III Metodologi Penelitian
Bab ini menjelaskan mengenai langkah-langkah pembuatan
tugas akhir beserta penjelasannya.
Bab IV Rancangan
Bab ini menjelaskan tentang rancangan tugas akhir untuk
pembuatan peramalan arus lalu lintas jangka pendek yang
meliputi proses pengumpulan data, identifikasi variabel dan
proses pengolahan data.
Bab V Implementasi
Bab ini menjelaskan tentang proses peramalan yang
dilakukan, meliputi analisis data, pengukuran jarak
optimum, menentukan lag durasi dan nilai K yang cocok.
Setelah itu dilakukan peramalan serta melakukan akurasi
peramalan.
Bab VI Hasil dan Pembahasan
Bab ini menjelaskan tentang hasil dan pembahasan yang
didapakan dari proses peramalan yang dilakukan berupa
hasil ujicoba dan hasil peramalan untuk masa mendatang.
Bab VII Kesimpulan dan Saran
Bab ini menjelaskan tentang kesimpulan yang dapat ditarik
dari hasil pembahasan serta saran yang dapat ditujukan
untuk menyempurnakan tugas akhir dan saran yang
ditujukan untuk penelitian selanjutnya.
26
(halaman ini sengaja dikosongkan)
27
BAB IV
PERANCANGAN
Bab ini menjelaskan tentang perancangan penilitian tugas akhir.
Pada bab ini berisikan tentang proses pengumpulan data, pra
proses data dan proses pengolahan data saat clustering dan
peramalan.
4.1 Pengumpulan dan Pra-Proses data
Pada tahapan ini, aktivitas yang dilakukan adalah pengumpulan
data dan melakukan pra-proses data sehingga data siap
digunakan.
4.1.1 Pengumpulan data
Data yang digunakan untuk penelitian adalah data hasil survey
banyaknya kendaraan yang melaju pada jalan Basuki Rahmat
Surabaya yang dilakukan oleh bagian Lalu Lintas pada Dinas
Perhubungan Kota Surabaya pada tahun 2011 sampai tahun
2016. Pada tahun 2011, 2013, 2014, dan 2016 survey data
dilakukan 2 kali (2 periode) dalam setahun, sedangkan pada
tahun 2012 dan 2015 survey dilakukan 1 kali (1 periode) dalam
setahun.
Data yang didapatkan setahun 2 kali memiliki waktu survey
lapangan pada bulan Maret (periode 1) dan Oktober (periode 2).
Sedangkan survey tahunan sekali yang dilakukan pada tahun
2012 adalah bulan Maret (periode 1) dan tahun 2015 dilakukan
pada bulan Oktober (periode 2).
4.1.1.1 Gambaran data
Data yang telah didapatkan, dilakukan plot data berdasarkan
tipe dan tahun. Gambaran data untuk jumlah kendaraan setiap
tahunnya, dilakukan plot data berdasarkan tipe kendaraan dari
tahun 2011 sampai tahun 2016. Gambar 4.1 adalah salah satu
contoh plot data pada tipe kendaraan motor.
28
Gambar 4.1 menjelaskan grafik jumlah motor yang melaju pada
jalan Basuki Rahmat tidak selalu sama setiap tahunnya. Pada
tahun 2014 periode 1, dapat dilihat dari pukul 07.20 hingga
pukul 12.30 dan pukul 14.50 hingga pukul 16.40 adalah jumlah
motor terbanyak dibandingkan tahun-tahun lainnya. Selain itu
pada tahun 2013 periode 2 pernah mengalami pelonjakan
jumlah kendaraan pada pukul 05.40 – 05.50 hingga mencapai
3981.
Gambar 4. 1 Grafik jumlah motor tahun 2011 – 2016
Plot data pada kendaraan motor dengan rincian pertahun pada
gambar 4.2 sampai 4.11.
0
500
1000
1500
2000
2500
3000
3500
4000
4500
05.
00 -
05
.10
05.
50 -
06
.00
06.
40 -
06
.50
07.
30 -
07
.40
08.
20 -
08
.30
09.
10 -
09
.20
10.
00 -
10
.10
10.
50 -
11
.00
11.
40 -
11
.50
12.
30 -
12
.40
13.
20 -
13
.30
14.
10 -
14
.20
15.
00 -
15
.10
15.
50 -
16
.00
16.
40 -
16
.50
17.
30 -
17
.40
18.
20 -
18
.30
19.
10 -
19
.20
20.
00 -
20
.10
20.
50 -
21
.00
jum
lah
waktu
2011_1 2011_2 2012_1 2013_1
2013_2 2014_1 2014_2 2015_2
2016_1 2016_2
29
Gambar 4. 2 Grafik jumlah motor tahun 2011 periode 1
Gambar 4.3 adalah rincian dari jumlah kendaraan motor yang
melintas pada jalan Basuki Rahmat pada tahun 2011 periode 2.
Gambar 4. 3 Grafik jumlah motor tahun 2011 periode 2
Gambar 4.4 adalah rincian dari jumlah kendaraan motor yang
melintas pada jalan Basuki Rahmat pada tahun 2012 periode 1.
0200400600800
100012001400160018002000
05
.00
- 0
5.1
0
05
.40
- 0
5.5
0
06
.20
- 0
6.3
0
07
.00
- 0
7.1
0
07
.40
- 0
7.5
0
08
.20
- 0
8.3
0
09
.00
- 0
9.1
0
09
.40
- 0
9.5
0
10
.20
- 1
0.3
0
11
.00
- 1
1.1
0
11
.40
- 1
1.5
0
12
.20
- 1
2.3
0
13
.00
- 1
3.1
0
13.
40 -
13
.50
14
.20
- 1
4.3
0
15
.00
- 1
5.1
0
15
.40
- 1
5.5
0
16
.20
- 1
6.3
0
17
.00
- 1
7.1
0
17
.40
- 1
7.5
0
18.
20 -
18
.30
19
.00
- 1
9.1
0
19
.40
- 1
9.5
0
20
.20
- 2
0.3
0
jum
lah
waktu
0
200
400
600
800
1000
1200
05.
00 -
05
.10
05.
40 -
05
.50
06.
20 -
06
.30
07.
00 -
07
.10
07.
40 -
07
.50
08.
20 -
08
.30
09.
00 -
09
.10
09.
40 -
09
.50
10.
20 -
10
.30
11.
00 -
11
.10
11.
40 -
11
.50
12.
20 -
12
.30
13.
00 -
13
.10
13.
40 -
13
.50
14.
20 -
14
.30
15.
00 -
15
.10
15.
40 -
15
.50
16.
20 -
16
.30
17.
00 -
17
.10
17.
40 -
17
.50
18.
20 -
18
.30
19.
00 -
19
.10
19.
40 -
19
.50
20.
20 -
20
.30
jum
lah
waktu
30
Gambar 4. 4 Grafik jumlah motor tahun 2012 periode 1
Gambar 4.5 adalah rincian dari jumlah kendaraan motor yang
melintas pada jalan Basuki Rahmat pada tahun 2013 periode 1.
Gambar 4. 5 Grafik jumlah motor tahun 2013 periode 1
Gambar 4.6 adalah rincian dari jumlah kendaraan motor yang
melintas pada jalan Basuki Rahmat pada tahun 2013 periode 2.
0
200
400
600
800
1000
1200
05
.00
- 0
5.1
0
05
.40
- 0
5.5
0
06
.20
- 0
6.3
0
07
.00
- 0
7.1
0
07
.40
- 0
7.5
0
08
.20
- 0
8.3
0
09
.00
- 0
9.1
0
09
.40
- 0
9.5
0
10
.20
- 1
0.3
0
11
.00
- 1
1.1
0
11
.40
- 1
1.5
0
12.
20 -
12
.30
13
.00
- 1
3.1
0
13
.40
- 1
3.5
0
14
.20
- 1
4.3
0
15
.00
- 1
5.1
0
15
.40
- 1
5.5
0
16
.20
- 1
6.3
0
17.
00 -
17
.10
17
.40
- 1
7.5
0
18
.20
- 1
8.3
0
19
.00
- 1
9.1
0
19
.40
- 1
9.5
0
20
.20
- 2
0.3
0
jum
lah
waktu
0
200
400
600
800
1000
1200
05.
00 -
05
.10
05.
40 -
05
.50
06.
20 -
06
.30
07.
00 -
07
.10
07.
40 -
07
.50
08.
20 -
08
.30
09.
00 -
09
.10
09.
40 -
09
.50
10.
20 -
10
.30
11.
00 -
11
.10
11.
40 -
11
.50
12.
20 -
12
.30
13.
00 -
13
.10
13.
40 -
13
.50
14.
20 -
14
.30
15.
00 -
15
.10
15.
40 -
15
.50
16.
20 -
16
.30
17.
00 -
17
.10
17.
40 -
17
.50
18.
20 -
18
.30
19.
00 -
19
.10
19.
40 -
19
.50
20.
20 -
20
.30
jum
lah
waktu
31
Gambar 4. 6 Grafik jumlah motor tahun 2013 periode 2
Gambar 4.7 adalah rincian dari jumlah kendaraan motor yang
melintas pada jalan Basuki Rahmat pada tahun 2014 periode 1.
Gambar 4. 7 Grafik jumlah motor tahun 2014 periode 1
Gambar 4.8 adalah rincian dari jumlah kendaraan motor yang
melintas pada jalan Basuki Rahmat pada tahun 2014 periode 2.
0
500
1000
1500
2000
2500
3000
3500
4000
4500
05
.00
- 0
5.1
0
05
.40
- 0
5.5
0
06
.20
- 0
6.3
0
07
.00
- 0
7.1
0
07
.40
- 0
7.5
0
08
.20
- 0
8.3
0
09
.00
- 0
9.1
0
09
.40
- 0
9.5
0
10
.20
- 1
0.3
0
11
.00
- 1
1.1
0
11
.40
- 1
1.5
0
12
.20
- 1
2.3
0
13
.00
- 1
3.1
0
13.
40 -
13
.50
14
.20
- 1
4.3
0
15
.00
- 1
5.1
0
15
.40
- 1
5.5
0
16
.20
- 1
6.3
0
17
.00
- 1
7.1
0
17
.40
- 1
7.5
0
18.
20 -
18
.30
19
.00
- 1
9.1
0
19
.40
- 1
9.5
0
20
.20
- 2
0.3
0
jum
lah
waktu
0
500
1000
1500
2000
2500
3000
05.
00 -
05
.10
05.
40 -
05
.50
06.
20 -
06
.30
07.
00 -
07
.10
07.
40 -
07
.50
08.
20 -
08
.30
09.
00 -
09
.10
09.
40 -
09
.50
10.
20 -
10
.30
11.
00 -
11
.10
11.
40 -
11
.50
12.
20 -
12
.30
13.
00 -
13
.10
13.
40 -
13
.50
14.
20 -
14
.30
15.
00 -
15
.10
15.
40 -
15
.50
16.
20 -
16
.30
17.
00 -
17
.10
17.
40 -
17
.50
18.
20 -
18
.30
19.
00 -
19
.10
19.
40 -
19
.50
20.
20 -
20
.30
jum
lah
waktu
32
Gambar 4. 8 Grafik jumlah motor tahun 2014 periode 2
Gambar 4.9 adalah rincian dari jumlah kendaraan motor yang
melintas pada jalan Basuki Rahmat pada tahun 2015 periode 2.
Gambar 4. 9 Grafik jumlah motor tahun 2015 periode 2
Gambar 4.10 adalah rincian dari jumlah kendaraan motor yang
melintas pada jalan Basuki Rahmat pada tahun 2016 periode 1.
0
500
1000
1500
2000
2500
05
.00
- 0
5.1
0
05
.40
- 0
5.5
0
06
.20
- 0
6.3
0
07
.00
- 0
7.1
0
07
.40
- 0
7.5
0
08
.20
- 0
8.3
0
09
.00
- 0
9.1
0
09
.40
- 0
9.5
0
10
.20
- 1
0.3
0
11
.00
- 1
1.1
0
11
.40
- 1
1.5
0
12.
20 -
12
.30
13
.00
- 1
3.1
0
13
.40
- 1
3.5
0
14
.20
- 1
4.3
0
15
.00
- 1
5.1
0
15
.40
- 1
5.5
0
16
.20
- 1
6.3
0
17.
00 -
17
.10
17
.40
- 1
7.5
0
18
.20
- 1
8.3
0
19
.00
- 1
9.1
0
19
.40
- 1
9.5
0
20
.20
- 2
0.3
0
jum
lah
waktu
0
500
1000
1500
2000
2500
05.
00 -
05
.10
05.
40 -
05
.50
06.
20 -
06
.30
07.
00 -
07
.10
07.
40 -
07
.50
08.
20 -
08
.30
09.
00 -
09
.10
09.
40 -
09
.50
10.
20 -
10
.30
11.
00 -
11
.10
11.
40 -
11
.50
12.
20 -
12
.30
13.
00 -
13
.10
13.
40 -
13
.50
14.
20 -
14
.30
15.
00 -
15
.10
15.
40 -
15
.50
16.
20 -
16
.30
17.
00 -
17
.10
17.
40 -
17
.50
18.
20 -
18
.30
19.
00 -
19
.10
19.
40 -
19
.50
20.
20 -
20
.30
jum
lah
waktu
33
Gambar 4. 10 Grafik jumlah motor tahun 2016 periode 1
Gambar 4.11 adalah rincian dari jumlah kendaraan motor yang
melintas pada jalan Basuki Rahmat pada tahun 2016 periode 2.
Gambar 4. 11 Grafik jumlah motor tahun 2016 periode 2
4.1.2 Pra-Proses data
Pra proses data adalah tahapan pengolahan data awal yang
didapatkan agar data siap digunakan. Setelah mendapatkan data
0
200
400
600
800
1000
1200
1400
1600
05
.00
- 0
5.1
0
05
.40
- 0
5.5
0
06
.20
- 0
6.3
0
07
.00
- 0
7.1
0
07
.40
- 0
7.5
0
08
.20
- 0
8.3
0
09
.00
- 0
9.1
0
09
.40
- 0
9.5
0
10
.20
- 1
0.3
0
11
.00
- 1
1.1
0
11
.40
- 1
1.5
0
12
.20
- 1
2.3
0
13
.00
- 1
3.1
0
13.
40 -
13
.50
14
.20
- 1
4.3
0
15
.00
- 1
5.1
0
15
.40
- 1
5.5
0
16
.20
- 1
6.3
0
17
.00
- 1
7.1
0
17
.40
- 1
7.5
0
18.
20 -
18
.30
19
.00
- 1
9.1
0
19
.40
- 1
9.5
0
20
.20
- 2
0.3
0
jum
lah
waktu
0
200
400
600
8001000
1200
1400
05.
00 -
05
.10
05.
40 -
05
.50
06.
20 -
06
.30
07.
00 -
07
.10
07.
40 -
07
.50
08.
20 -
08
.30
09.
00 -
09
.10
09.
40 -
09
.50
10.
20 -
10
.30
11.
00 -
11
.10
11.
40 -
11
.50
12.
20 -
12
.30
13.
00 -
13
.10
13.
40 -
13
.50
14.
20 -
14
.30
15.
00 -
15
.10
15.
40 -
15
.50
16.
20 -
16
.30
17.
00 -
17
.10
17.
40 -
17
.50
18.
20 -
18
.30
19.
00 -
19
.10
19.
40 -
19
.50
20.
20 -
20
.30
jum
lah
waktu
34
awal, dilakukan normalisasi data. Normalisasi dilakukan pada
data untuk menjadikan data yang ada sama rata dalam range
yang sama. Normalisasi dilakukan menggunakan metode Min-
Max.
4.2 Pemilihan data
Data yang digunakan untuk dilakukan KNN adalah data jumlah
kendaraan yang melaju pada jalan Basuki Rahmat Surabaya
pada tahun 2011 sampai tahun 2016 dari pukul 05.00 sampai
pukul 21.00.
Data dipisahkan berdasarkan tipe kendaraan, sehingga terdapat
8 data tipe kendaraan dengan data histori dari tahun 2011
periode 1 hingga 2016 periode 2.
Data akan digunakan pada dua proses, yaitu proses training dan
proses testing. Data yang digunakan untuk proses training
adalah keseluruhan data kecuali tahun 2016 periode 2
sedangkan data yang digunakan untuk proses testing adalah
data pada tahun 2016 periode 2.
4.3 Proses Training dan Testing
Proses training dan testing dijalankan bersama-sama untuk
mengetahui model-model yang dihasilkan pada training dan
testing. Pada proses ini, dilibatkan dua parameter penting pada
proses K-NN ini yaitu nilai k dan jarak optimal. Proses training
menggunakan input data training dari tahun 2011 periode 1
hingga 2016 periode 1 dan proses testing menggunakan input
data testing tahun 2016 periode 2 dengan melibatkan percobaan
menggunakan nilai k sama dengan 1 hinga nilai k sama dengan
10.
Output yang didapatkan dari proses training dan testing adalah
nilai-nilai yang didapatkan dengan mempertimbangkan nilai k
sampai dengan 10. Output dari training dan testing tersebut
akan dihitung errornya menggunakan RMSE. Nilai error yang
35
dhasilkan akan dibandingkan dengan model-model lainnya dan
model terbaik akan didapatkan berdasarkan hasil pada proses
testing dengan melihat nilai error pada RMSE yang paling kecil.
Model terbaik akan digunakan untuk proses peramalan data
2017 periode 1.
4.4.1 Menentukan Jarak Optimal
Menentukan jarak yang optimal dapat dilakukan menggunakan
euclidean distance yang didapatkan dari pengukuran antara dua
titik atau data. Jarak antar dua data tersebut akan diurutkan
berdasarkan jarak terdekat hingga jarak terjauh. Jarak-jarak
tersebut akan digunakan untuk menentukan nearest neighbor
pada masing-masing data.
4.4.2 Menentukan nilai K
Penentuan nilai k pada data dilakukan dengan menggunakan
mengamati hasil dari proses training dan testing yang dilakukan
pada data. Setelah dilakukan proses training dan testing dengan
nilai k sama dengan 1 sampai 10, diambil nilai k dengan tingkat
error paling rendah pada proses testing sesuai dengan
rekomendasi dari [6]. Pada dataset yang ada, nilai k berkorelasi
dengan jumlah baris dari data yang dipertimbangkan untuk
menjadi acuan pada peramalan.
Nilai k dicari berdasarkan data per tipe kendaraan. Sehingga,
nilai k yang optimal untuk keseluruhan data terdapat delapan
nilai k.
4.4.3 Output Training dan Testing
Output yang dihasilkan pada proses ini adalah nilai-nilai dengan
melibatkan k sama dengan 1 sampai 10 dan data observasi
dimana dianggap nilai-nilai pada 1 nilai k adalah 1 model. Nilai-
nilai yang dihasilkan per nilai k dapat berbeda-beda, sehingga
36
diperlukan untuk menentukan model terbaik dari output yang
dihasilkan untuk dijadikan acuan peramalan 2017 periode 1.
4.4.4 Perhitungan Error Model Training dan Testing
Perhitungan error pada model training dan testing dilakukan
setelah mendapatkan output atau hasil pada proses training dan
testing. Output yang didapatkan pada proses training dan testing
akan dilakukan perhitungan error menggunakan RMSE,
sehingga pada masing-masing output dengan nilai k = i,
memiliki nilai error yang berbeda-beda.
Nilai error yang didapatkan akan menjadi acuan untuk
pemilihan model terbaik. Nilai error yang paling kecil pada
model dengan nilai k = i pada proses testing akan dijadikan
model terbaik untuk dijadikan acuan peramalan tahun 2017
periode 1.
4.4 Peramalan
Tahapan peramalan dilakukan untuk mengetahui nilai atau
output masa datang dari arus lalu lintas pada Jalan Basuki
Rahmat Surabaya pada tahun 2017 periode 1. Peramalan
dilakukan menggunakan model terbaik testing dengan nilai k =
i.
4.4.1 Penggunaan data
Dataset untuk penelitian ini dapat dilihat di LAMPIRAN A.
Kolom pada dataset adalah atribut periode (per semester) data
dari tahun 2011 sampai 2016. Sedangkan data pada baris adalah
jumlah kendaraan pada interval waktu setiap 10 menit dari
pukul 05.00 hingga 21.00.
Data yang digunakan dalam peramalan adalah data jumlah
kendaraan yang melaju pada jalan Basuki Rahmat Surabaya
dari pukul 05.00 sampai pukul 21.00 dari tahun 2011 periode 2
sampai tahun 2016 periode 2 dengan total data yang menjadi
input peramalan adalah data histori 9 periode.
37
4.4.2 Menentukan tujuan
Tujuan dilakukan peramalan menggunakan metode K-Nearest
Neighbor adalah untuk meramalkan jumlah kendaraan pada
periode 2017 periode 1 pada Jalan Basuki Rahmat Surabaya.
4.4.3 Melakukan peramalan dengan Model Terbaik
Peramalan dilakukan pada tools R Studio menggunakan data
histori yang ada dan model terbaik yang telah ditetapkan
sebelumnya. Peramalan yang dilakukan sangat
mempertimbangkan nilai k yang dimasukkan pada proses
peramalan, sehingga akan didapatkan hasil peramalan yang
optimal.
4.4.4 Hasil peramalan
Hasil dari peramalan yang dilakukan adalah jumlah kendaraan
yang melaju pada Jalan Basuki Rahmat Surabaya dari pukul
05.00 sampai 21.00 pada tahun 2017 periode 1 dengan interval
waktu 10 menit.
4.5 Analisa hasil peramalan
Dari hasil pemodelan sampai peramalan yang dilakukan, dapat
disimpulkan beberapa hal, diantaranya adalah keefektifan
pemodelan K-NN untuk peramalan, hasil analisa data
peramalan yang didapat dan analisa hasil peramalan terhadap
data histori, termasuk peningkatan atau penurunan jumlah
kendaraan pada tahun 2017 periode 1.
38
(halaman ini sengaja dikosongkan)
39
BAB V
IMPLEMENTASI
Bab ini menjelaskan tentang pelaksanaan penelitian tugas akhir
dan pembuatan model untuk peramalan.
5.1 Normalisasi data
Normalisasi data dilakukan menggunakan metode normalisasi
Min-Max dengan range nilai 0 sampai 1 menggunakan bantuan
tool Microsoft Excel. Rumus yang digunakan adalah:
𝑥 – 𝑀𝑖𝑛(𝑦)
𝑀𝑎𝑥(𝑦) − 𝑀𝑖𝑛 (𝑦)
Dengan keterangan:
𝑥 = 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑎𝑘𝑎𝑛 𝑑𝑖𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑠𝑎𝑠𝑖
𝑀𝑖𝑛(𝑦) = 𝑛𝑖𝑙𝑎𝑖 𝑚𝑖𝑛𝑖𝑚𝑎𝑙 𝑑𝑎𝑟𝑖 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑑𝑎𝑡𝑎
𝑀𝑎𝑥(𝑦) = 𝑛𝑖𝑙𝑎𝑖 𝑚𝑎𝑘𝑠𝑖𝑚𝑎𝑙 𝑑𝑎𝑟𝑖 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑑𝑎𝑡𝑎
Tabel 5. 1 Hasil Normalisasi
40
Gambar 5. 1 Grafik normalisasi data motor
Fruktuasi dari data tidak berubah, sehingga dapat dikatakan
bahwa normalisasi data telah benar.
Normalisasi dapat dilakukan pula pada R Studio dengan
menggunakan script normalisasi Min-Max. Pertama adalah
menghapus kolom waktu pada data.
data <- data [,-1]
Setelah itu lakukan normalisasi.
Maxs <- max(data)
Mins <- min(data)
hasilNormalisasi = (data-mins)/(maxs-mins)
Keterangan:
hasilNormalisasi = data hasil normalisasi yang dilakukan.
data = data jumlah kendaraan.
0
0,2
0,4
0,6
0,8
1
05
.00
- 0
5.1
0
05
.40
- 0
5.5
0
06
.20
- 0
6.3
0
07
.00
- 0
7.1
0
07
.40
- 0
7.5
0
08
.20
- 0
8.3
0
09
.00
- 0
9.1
0
09.
40 -
09
.50
10
.20
- 1
0.3
0
11.
00 -
11
.10
11
.40
- 1
1.5
0
12
.20
- 1
2.3
0
13
.00
- 1
3.1
0
13
.40
- 1
3.5
0
14
.20
- 1
4.3
0
15
.00
- 1
5.1
0
15
.40
- 1
5.5
0
16
.20
- 1
6.3
0
17
.00
- 1
7.1
0
17
.40
- 1
7.5
0
18
.20
- 1
8.3
0
19
.00
- 1
9.1
0
19
.40
- 1
9.5
0
20
.20
- 2
0.3
0
Normalisasi jumlah motor
2011_1 2011_2 2012_1 2013_1 2013_2
2014_1 2014_2 2015_2 2016_1 2016_2
41
min(data) = nilai minimal pada data .
max(data) = nilai maksimal pada data.
Hasil Normalisasi yang dilakukan pada R Studio akan
menghasilkan nilai yang sama dengan yang dilakukan pada
Microsoft Excel.
5.2 Pemisahan Data untuk Training dan Testing
Data yang telah dinormalisasi akan dilakukan pemisahan data
yang akan digunakan untuk proses training dan proses testing.
train <- data.frame(hasilNormalisasi [1:9])
test <- data.frame(hasilNormalisasi [,col])
Keterangan:
train = hasil data untuk proses training
(hasilNormalisasi [1:9]) = pengambilan data dari
hasilNormalisasi pada kolom 1 sampai 9, atau sama saja dengan
pengambilan data dari tahun 2011 periode 1 hingga 2016
periode 1.
test = hasil data test
(hasilNormalisasi [,col]) = pengambilan data dari
hasilNormalisasi pada kolom terakhir atau tahun 2016 periode
2.
5.3 Proses Training dan Testing
Proses training menggunakan metode KNN menggunakan tools
R Studio dan package FNN pada R Studio.
42
library(FNN)
Keterangan:
Library(FNN) = memanggil package FNN untuk menjalankan
fungsi-fungsi yang ada di dalam package tersebut.
5.3.1 Menentukan Input pada Proses Training dan Testing
Input yang digunakan untuk proses training adalah data train
dan y. Train adalah data yang digunakan untuk proses training
dan y adalah data observasi pada data train. Untuk penggunaan
data observasi, dilakukan percobaan pada data tiap periode
sehingga proses training akan dijalankan sembilan kali untuk
mendapatkan model terbaik.
train <- data.frame(hasilNormalisasi [1:9])
y<-train$`2011_1`
Keterangan:
Train = data yang digunakan untuk proses training
train$`2011_1` = penggunaan data pada tahun 2011 periode 1
pada data training, dan akan terus berganti setiap pergantian
percobaan. Dilakukan untuk 2011 periode 1 hingga 2016
periode 1.
Untuk proses testing, input untuk proses testing adalah jumlah
kendaraan pada tahun 2016 periode 2 dengan nilai k dan
percobaan pada setiap data observasi.
test <- data.frame(hasilNormalisasi[,col])
y <- train$`2013_1`
43
Keterangan:
Test = data untuk menjadi input proses testing
y = data observasi pada data training
5.3.3 Menjalankan Proses Training dan Testing
Setelah menetapkan inputan data train dan y untuk training serta
data test dan y untuk proses testing, dijalankan script untuk
menghasilkan model. Model yang dimaksudkan adalah model
data dengan melibatkan nilai k dari 1 sampai 10 dan data
observasi.
k = 10;
z=0;
Selanjutnya, jalankan script untuk menjalankan training dan
testing dari k sama dengan 1 sampai 10.
predtrain <- knn.reg(train, test=NULL, y, k=i)
predtrain_ <- as.numeric(predtrain$pred)
predtest <- knn.reg(test, test=NULL, y, k=i)
predtest_ <- as.numeric(predtest$pred)
Keterangan:
predtrain <- hasil model untuk KNN
knn.reg <- function yang digunakan untuk training K-NN.
i = jumlah nearest neighbor (k) yang diinginkan. Pada
pemodelan ini digunakan nearest neighbor (k) 1 sampai 10.
predtrain$pred = mengambil hasil model dengan k = i yang
disimpan pada predictionTrain dengan sub pred.
44
Data.frame = function untuk membuat tabel.
5.3.3 Denormalisasi Hasil Training dan Testing
Hasil dari proses training dan testing adalah model-model yang
melibatkan k=i. Model-model tersebut masih berbentuk data
normalisasi, sehingga selanjutnya adalah lakukan denormalisasi
pada hasil model-model training dan testing untuk mendapatkan
nilai yang sebenarnya.
hasiltrain <- (predtrain_ )*(maxs-mins) + mins
hasiltest <- (predtest_ )*(maxs-mins) + mins
Selain itu, lakukan pula denormalisasi untuk data yang
digunakan pada proses training dan testing.
trainden <- data[1:9]
testden <- data[10]
Keterangan:
Trainden = hasil denormalisasi data train
Testden = hasil denormalisasi data test
5.3.3 Error Model Training dan Testing
Model-model yang telah didapatkan pada proses training dan
testing akan dilakukan perhitungan error RMSE. Perhitungan
error model i menggunakan RMSE ini digunakan untuk
membandingkan kesalahan pada model-model yang ada.
train_ <- data$2013_1
MSEtrain <- sum((train_ - hasiltrain)^2)/nrow(train)
RMSEtrain<- sqrt(MSEtrain)
test_ <- testden
MSEtest <- sum((test_ - hasiltest)^2)/nrow(test)
RMSEtest <- sqrt(MSEtest)
45
Keterangan:
Train_ = mengambil data denormalisasi pada tahun 2016
periode 2
MSEtrain = hasil perhitungan MSE pada data aktual 2016
periode 2 dengan output model training.
RMSEtrain = hasil perhitungan RMSE pada data aktual 2016
periode 2 dengan output model training.
5.3.4 Menentukan Model Terbaik
Setelah melakukan proses training dan testing dengan jumlah
nearest neighbor (k) dari 1 sampai 10 dan perhitungan error
model, didapatkan 10 model dengan jumlah nearest neighbor 1
sampai 10 pada masing-masing percobaan. Karena dilakukan 9
kali percobaan, artinya terdapat 90 model yang didapatkan pada
setiap proses training dan 90 model pada proses testing di
delapan data tipe kendaraan. Dari banyaknya model tersebut,
model terbaik didapatkan berdasarkan nilai RMSE terkecil pada
proses testing. Perhatikan contoh penentuan model terbaik pada
data motor pada proses testing pada Tabel 5. 2 sampai Tabel 5.
6
Tabel 5. 2 Error model untuk data observasi 2011 periode 1 dan 2011
periode 2
2011-1
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 26066,74 161,452 503428,1 709,5267
2 28567,6 169,0195 482014 694,2723
3 31727,02 178,1208 463407,6 680,7405
4 29072,38 170,5062 478831,6 691,9766
46
5 25121,61 158,498 470106,2 685,6429
6 32481,7 180,2268 465206,4 682,0604
7 36219,88 190,3152 467286,8 683,5838
8 42177,61 205,3719 461152,5 679,0821
9 46778,78 216,284 465701,4 682,4232
10 48039,81 219,1799 467495,6 683,7365
2011-2
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 5453,375 73,84697 77984,4 279,2569
2 5630,854 75,03902 68653,95 262,019
3 6151,231 78,42979 63674,2 252,3375
4 6707,475 81,89918 62652,25 250,3043
5 6342,161 79,63768 61516,09 248,0244
6 7936,698 89,08815 62985,07 250,9683
7 9264,683 96,25322 61930,55 248,8585
8 10620,4 103,0553 60971,46 246,924
9 11864,68 108,9251 62550,28 250,1005
10 12702,99 112,7075 61346,69 247,6826
Tabel 5. 3 Error model untuk data observasi 2012 periode 1 dan 2013
periode 1
2012-1
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 2602,854 51,01817 41799,88 204,4502
2 2810,893 53,01786 33610,1 183,3306
3 2745,137 52,39405 31874,36 178,5339
4 2685,347 51,82033 32661,88 180,726
5 2988,332 54,66564 32787,43 181,073
47
2012-1
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
6 3332,47 57,72755 32002,01 178,8911
7 3905,044 62,49035 32801,63 181,1122
8 4300,887 65,58114 32704,29 180,8433
9 4799,164 69,276 33603,67 183,313
10 5250,932 72,46331 33016,66 181,7049
2013-1
nilai.k MSEtrain RMSEtrain MSEtest. RMSEtest
1 5981,563 77,34056 37259,53 193,0273
2 5890,354 76,74864 29104,74 170,6011
3 5919,454 76,93799 27890,25 167,0038
4 5695,863 75,47094 28721,03 169,4728
5 5775,713 75,99811 28183,34 167,8789
6 6027,63 77,63781 27679,25 166,3708
7 6342,418 79,6393 27597,09 166,1237
8 6878,412 82,93619 27518,83 165,888
9 7349,68 85,73027 27910,08 167,0631
10 7850,229 88,60152 28480,26 168,7609
Tabel 5. 4 Error model untuk data observasi 2013 periode 2 dan 2014
periode 1
2013-2
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 55629,17 235,8584 311567 558,1818
2 53586,72 231,4881 245924,6 495,9078
3 56553,56 237,8099 173287,8 416,2785
48
2013-2
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
4 62209,5 249,4183 188123,7 433,7323
5 65558,05 256,0431 176369 419,9631
6 69172,21 263,0061 167192,4 408,8917
7 71959,54 268,2528 174701,8 417,9735
8 74854,35 273,5952 197250,5 444,129
9 75244,38 274,3071 200532,8 447,8089
10 77234,61 277,9112 218907,4 467,8754
2014-1
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 10231,64 101,1515 921931 960,1724
2 10149,54 100,7449 776517,2 881,2021
3 10469,47 102,3204 675983,2 822,182
4 11313,95 106,3671 707382,6 841,0604
5 11242,26 106,0295 687979 829,445
6 13279,63 115,2373 681125,9 825,3035
7 13026,36 114,1331 684147,8 827,1323
8 14759,89 121,4903 669720,2 818,3643
9 17528,99 132,3971 674356,1 821,1919
10 19049,7 138,0207 654961,5 809,2969
Tabel 5. 5 Error model untuk data observasi 2014 periode 2 dan 2015
periode 2
2014-2
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 9544,354 97,69521 274886,8 524,2965
2 10072,48 100,3618 235878,4 485,6732
49
2014-2
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
3 12377,34 111,2535 219596 468,6107
4 13960,72 118,1555 225820,5 475,2058
5 13616,83 116,6912 218718,8 467,6738
6 13788,94 117,4263 213469,2 462,0273
7 14014,05 118,3809 214943 463,6195
8 15610,17 124,9407 218136,6 467,051
9 17477,45 132,2023 221282,3 470,4066
10 17955,22 133,9971 230944,7 480,5671
2015-2
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 13102,14 114,4646 185017,9 430,1371
2 13430,34 115,8894 118728,4 344,5699
3 13302,64 115,3371 98297,6 313,5245
4 15665,26 125,161 68250,58 261,2481
5 18187,42 134,8607 60485,28 245,9375
6 18841,43 137,2641 59650,61 244,2347
7 23374,28 152,8865 62336,34 249,6725
8 26836,36 163,8181 66666,68 258,1989
9 31177,88 176,5726 63818,51 252,6233
10 34243,55 185,0501 64885,43 254,7262
50
Tabel 5. 6 Error model untuk data observasi 2016 periode 1
2016-1
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 4191,74 64,74365 89748 299,5797
2 4037,135 63,53846 64086,79 253,1537
3 4640,824 68,12359 51529,95 227,0021
4 5398,286 73,47303 54321,83 233,0704
5 5493,273 74,11662 52093,78 228,2406
6 5998,419 77,44946 48034,46 219,1676
7 7196,8 84,83396 51400,58 226,717
8 7985,099 89,35938 51094,39 226,0407
9 9095,068 95,36807 53447,09 231,1863
10 10260,43 101,2938 55296,43 235,1519
Tabel Tabel 5. 2 hingga Tabel 5. 6 adalah hasil error pada model
training dan testing untuk data tipe kendaraan motor. Dari 9 kali
percobaan pada data observasi dan nilai k 1 sampai 10,
didapatkan hasil bahwa nilai error RMSE terkecil pada proses
testing ada pada nilai k = 8 dan menggunakan data observasi
2013 periode 1. Sehingga model terbaik testing pada data motor
yang akan dijadikan acuan peramalan jumlah motor tahun 2017
periode 1 adalah nilai k = 8 dengan data observasi 2013 periode
1. Pemilihan model terbaik dilakukan pada 7 tipe kendaraan
lainnya dengan cara yang sama.
5.5 Peramalan
Langkah selanjutnya adalah lakukan peramalan untuk 2017
periode 1 menggunakan model terbaik yang telah didapatkan
pada proses testing.
51
Input <- data.frame(hasilNormalisasi[,2:col])
y <- train$`2013_1`
set.seed(123);
prediksiakhir <- knn.reg(Input, test=NULL, y, k=8)
prediksiakhir_ <- as.numeric(prediksiakhir$pred)
FORECAST <- (prediksiakhir_)*(maxs-mins) + mins
Keterangan:
Input = data input untuk melakukan peramalan. Pada peramalan
kali ini, input yang diperlukan adalah data normalisasi dari
tahun 2011 periode 2 sampai tahun 2016 periode 2.
y = data observasi yang telah ditetapkan pada proses training
k = nilai k optimal yang didapatkan pada proses training
prediksiakhir_ = hasil peramalan dalam bentuk nilai-nilai
normalisasi
FORECAST = hasil akhir peramalan dengan nilai-nilai yang
telah di denormalisasi.
52
(halaman ini sengaja dikosongkan)
53
BAB VI
HASIL DAN ANALISA
Bab ini menjabarkan tentang detail hasil dan pembahasan dari
implementasi masing-masing tahapan penelitian.
6.1 Hasil dan Analisa Proses Training dan Testing
Proses training dan testing yang dilakukan pada masing-masing
data tipe kendaraan, menghasilkan model dengan
mempertimbangkan nilai k yang optimal dan data observasi
yang sesuai. Keseluruhan nilai-nilai yang ada akan dihitung
nilai RMSE untuk didapatkan model terbaik. Keseluruhan
perhitungan RMSE pada proses training dan testing dapat
dilihat pada LAMPIRAN D ERROR MODEL TRAINING
DAN TESTING
6.1.1. Training dan Testing pada Data Motor
Training dan testing yang dilakukan pada data motor dengan
mempertimbangkan hasil dari sembilan data observasi,
didapatkan hasil jumlah k dan data observasi yang optimal yang
dapat dilihat pada Tabel 6. 10 sampai Tabel 6. 9
Tabel 6. 1 Error training dan testing data motor dengan data observasi
tahun 2011 periode 1
2011-1
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 26066,74 161,452 503428,1 709,5267
2 28567,6 169,0195 482014 694,2723
3 31727,02 178,1208 463407,6 680,7405
4 29072,38 170,5062 478831,6 691,9766
5 25121,61 158,498 470106,2 685,6429
6 32481,7 180,2268 465206,4 682,0604
7 36219,88 190,3152 467286,8 683,5838
8 42177,61 205,3719 461152,5 679,0821
54
9 46778,78 216,284 465701,4 682,4232
10 48039,81 219,1799 467495,6 683,7365
Tabel 6. 2 Error training dan testing data motor dengan data observasi
tahun 2011 periode 2
2011-2
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 5453,375 73,84697 77984,4 279,2569
2 5630,854 75,03902 68653,95 262,019
3 6151,231 78,42979 63674,2 252,3375
4 6707,475 81,89918 62652,25 250,3043
5 6342,161 79,63768 61516,09 248,0244
6 7936,698 89,08815 62985,07 250,9683
7 9264,683 96,25322 61930,55 248,8585
8 10620,4 103,0553 60971,46 246,924
9 11864,68 108,9251 62550,28 250,1005
10 12702,99 112,7075 61346,69 247,6826
Tabel 6. 3 Error training dan testing data motor dengan data observasi
tahun 2012 periode 1
2012-1
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 2602,854 51,01817 41799,88 204,4502
2 2810,893 53,01786 33610,1 183,3306
3 2745,137 52,39405 31874,36 178,5339
4 2685,347 51,82033 32661,88 180,726
5 2988,332 54,66564 32787,43 181,073
6 3332,47 57,72755 32002,01 178,8911
7 3905,044 62,49035 32801,63 181,1122
55
2012-1
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
8 4300,887 65,58114 32704,29 180,8433
9 4799,164 69,276 33603,67 183,313
10 5250,932 72,46331 33016,66 181,7049
Tabel 6. 4 Error training dan testing data motor dengan data observasi
tahun 2013 periode 1
2013-1
nilai.k MSEtrain RMSEtrain MSEtest. RMSEtest
1 5981,563 77,34056 37259,53 193,0273
2 5890,354 76,74864 29104,74 170,6011
3 5919,454 76,93799 27890,25 167,0038
4 5695,863 75,47094 28721,03 169,4728
5 5775,713 75,99811 28183,34 167,8789
6 6027,63 77,63781 27679,25 166,3708
7 6342,418 79,6393 27597,09 166,1237
8 6878,412 82,93619 27518,83 165,888
9 7349,68 85,73027 27910,08 167,0631
10 7850,229 88,60152 28480,26 168,7609
Tabel 6. 5 Error training dan testing data motor dengan data observasi
tahun 2013 periode 2
2013-2
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 55629,17 235,8584 311567 558,1818
2 53586,72 231,4881 245924,6 495,9078
3 56553,56 237,8099 173287,8 416,2785
56
2013-2
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
4 62209,5 249,4183 188123,7 433,7323
5 65558,05 256,0431 176369 419,9631
6 69172,21 263,0061 167192,4 408,8917
7 71959,54 268,2528 174701,8 417,9735
8 74854,35 273,5952 197250,5 444,129
9 75244,38 274,3071 200532,8 447,8089
10 77234,61 277,9112 218907,4 467,8754
Tabel 6. 6 Error training dan testing data motor dengan data observasi
tahun 2014 periode 1
2014-1
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 10231,64 101,1515 921931 960,1724
2 10149,54 100,7449 776517,2 881,2021
3 10469,47 102,3204 675983,2 822,182
4 11313,95 106,3671 707382,6 841,0604
5 11242,26 106,0295 687979 829,445
6 13279,63 115,2373 681125,9 825,3035
7 13026,36 114,1331 684147,8 827,1323
8 14759,89 121,4903 669720,2 818,3643
9 17528,99 132,3971 674356,1 821,1919
10 19049,7 138,0207 654961,5 809,2969
57
Tabel 6. 7 Error training dan testing data motor dengan data observasi
tahun 2014 periode 2
2014-2
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 9544,354 97,69521 274886,8 524,2965
2 10072,48 100,3618 235878,4 485,6732
3 12377,34 111,2535 219596 468,6107
4 13960,72 118,1555 225820,5 475,2058
5 13616,83 116,6912 218718,8 467,6738
6 13788,94 117,4263 213469,2 462,0273
7 14014,05 118,3809 214943 463,6195
8 15610,17 124,9407 218136,6 467,051
9 17477,45 132,2023 221282,3 470,4066
10 17955,22 133,9971 230944,7 480,5671
Tabel 6. 8 Error training dan testing data motor dengan data observasi
tahun 2015 periode 2
2015-2
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 13102,14 114,4646 185017,9 430,1371
2 13430,34 115,8894 118728,4 344,5699
3 13302,64 115,3371 98297,6 313,5245
4 15665,26 125,161 68250,58 261,2481
5 18187,42 134,8607 60485,28 245,9375
6 18841,43 137,2641 59650,61 244,2347
7 23374,28 152,8865 62336,34 249,6725
8 26836,36 163,8181 66666,68 258,1989
9 31177,88 176,5726 63818,51 252,6233
58
2015-2
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
10 34243,55 185,0501 64885,43 254,7262
Tabel 6. 9 Error training dan testing data motor dengan data observasi
tahun 2016 periode 1
2016-1
nilai.k MSEtrain RMSEtrain MSEtest RMSEtest
1 4191,74 64,74365 89748 299,5797
2 4037,135 63,53846 64086,79 253,1537
3 4640,824 68,12359 51529,95 227,0021
4 5398,286 73,47303 54321,83 233,0704
5 5493,273 74,11662 52093,78 228,2406
6 5998,419 77,44946 48034,46 219,1676
7 7196,8 84,83396 51400,58 226,717
8 7985,099 89,35938 51094,39 226,0407
9 9095,068 95,36807 53447,09 231,1863
10 10260,43 101,2938 55296,43 235,1519
Dari rincian hasil nilai RMSE pada setiap model pada proses
training dan testing, didapatkan analisa untuk menentukan
model terbaik pada data motor digunakan nilai RMSE terkecil
pada proses testing.
Tabel 6. 10 Error model testing pada data motor
Data
observasi nilai k
Error
RMSE
2011 – 1 8 679,082
2011 – 2 8 246,923
2012 – 1 3 178,533
2013 – 1 8 165,888
2013 – 2 6 408,891
59
Data
observasi nilai k
Error
RMSE
2014 – 1 10 809,296
2014 – 2 6 462,027
2015 – 2 6 244,234
2016 – 1 6 219,167
Tabel 6. 10 sampai Tabel 6. 9 menjelaskan tentang error yang
didapatkan ketika melakukan training dan testing pada data
motor. Tabel 6. 10 merupakan ringkasan dari nilai RMSE
terkecil pada masing-masing data observasi pada proses testing.
Didapatkan jumlah k yang optimal pada data motor adalah 8
dengan mempertimbangkan data observasi 2013 periode 1
dengan nilai RMSE testing sebesar165,888.
6.1.2. Training dan Testing pada Data Mobil
Hasil dari proses training dan testing pada data mobil adalah
masing-masing terdapat 90 model. Untuk menentukan model
terbaik pada data, dilihat model terbaik pada proses testing.
Tabel 6. 11 Error model testing pada data mobil
Data
observasi nilai k
Error
RMSE
2011 – 1 10 189,555
2011 – 2 10 171,159
2012 – 1 6 101,897
2013 – 1 10 112,699
2013 – 2 6 343,210
2014 – 1 9 915,385
2014 – 2 3 130,695
2015 – 2 7 245,288
2016 – 1 10 241,584
Tabel 6.11 menunjukan nilai RMSE terendah pada masing-
masing data observasi dengan nilai k yang ada didalamnya. Dari
60
nilai-nilai RMSE tersebut, didapatkan bahwa model terbaik
pada proses testing untuk tipe kendaraan mobil adalah k = 6
dengan nilai RMSE 101,897 dan mempertimbangkan data
observasi 2012 periode 1
6.1.3. Training dan Testing pada Data Angkot
Hasil dari proses training dan testing pada data angkot adalah
masing-masing terdapat 90 model. Untuk menentukan model
terbaik pada data, dilihat model terbaik pada proses testing.
Tabel 6. 12 Error model testing pada data angkot
Data
observasi nilai k
Error
RMSE
2011 – 1 9 11,661
2011 – 2 7 4,165
2012 – 1 10 4,651
2013 – 1 2 3,568
2013 – 2 10 5,834
2014 – 1 9 3,817
2014 – 2 1 4,035
2015 – 2 9 2,800
2016 – 1 10 2,536
Tabel 6.12 menunjukan nilai RMSE terendah pada masing-
masing data observasi dengan nilai k yang ada didalamnya. Dari
nilai-nilai RMSE tersebut, didapatkan bahwa model terbaik
pada proses testing untuk tipe kendaraan angkot adalah k = 10
dengan nilai RMSE 2,536 dan mempertimbangkan data
observasi 2016 periode 1
6.1.4. Training dan Testing pada Data Bus Besar
Hasil dari proses training dan testing pada data bus besar adalah
masing-masing terdapat 90 model. Untuk menentukan model
terbaik pada data, dilihat model terbaik pada proses testing.
61
Tabel 6. 13 Error model testing pada data bus besar
Data
observasi nilai k
Error
RMSE
2011 – 1 2 1,142
2011 – 2 4 1,294
2012 – 1 1 1,564
2013 – 1 1 1,410
2013 – 2 4 1,916
2014 – 1 10 1,853
2014 – 2 2 1,429
2015 – 2 1 1,729
2016 – 1 1 1,729
Tabel 6.13 menunjukan nilai RMSE terendah pada masing-
masing data observasi dengan nilai k yang ada didalamnya. Dari
nilai-nilai RMSE tersebut, didapatkan bahwa model terbaik
pada proses testing untuk tipe kendaraan bus besar adalah k = 2
dengan nilai RMSE 1,142 dan mempertimbangkan data
observasi 2011 periode 1.
6.1.5. Training dan Testing pada Data Bus Mini
Hasil dari proses training dan testing pada data bus mini adalah
masing-masing terdapat 90 model. Untuk menentukan model
terbaik pada data, dilihat model terbaik pada proses testing.
Tabel 6. 14 Error model testing pada data bus mini
Data
observasi nilai k
Error
RMSE
2011 – 1 3 1,906
2011 – 2 9 1,796
2012 – 1 10 1,711
2013 – 1 9 1,674
2013 – 2 1 1,626
2014 – 1 10 1,957
2014 – 2 5 1,831
2015 – 2 4 1,868
62
Data
observasi nilai k
Error
RMSE
2016 – 1 10 1,740
Tabel 6.14 menunjukan nilai RMSE terendah pada masing-
masing data observasi dengan nilai k yang ada didalamnya. Dari
nilai-nilai RMSE tersebut, didapatkan bahwa model terbaik
pada proses testing untuk tipe kendaraan bus mini adalah k = 1
dengan nilai RMSE 1,626 dan mempertimbangkan data
observasi 2013 periode 2.
6.1.6. Training dan Testing pada Data Mini Truk
Hasil dari proses training dan testing pada data mini truk adalah
masing-masing terdapat 90 model. Untuk menentukan model
terbaik pada data, dilihat model terbaik pada proses testing.
Tabel 6. 15 error model testing pada data mini truk
Data
observasi nilai k
Error
RMSE
2011 – 1 1 2,500
2011 – 2 2 2,510
2012 – 1 3 2,150
2013 – 1 4 2,174
2013 – 2 2 2,395
2014 – 1 1 2,500
2014 – 2 2 6,014
2015 – 2 6 3,087
2016 – 1 4 2,310
Tabel 6.15 menunjukan nilai RMSE terendah pada masing-
masing data observasi dengan nilai k yang ada didalamnya. Dari
nilai-nilai RMSE tersebut, didapatkan bahwa model terbaik
pada proses testing untuk tipe kendaraan mini truk adalah k = 3
dengan nilai RMSE 2,150 dan mempertimbangkan data
observasi 2012 periode 1
63
6.1.7. Training dan Testing pada Data Taksi
Hasil dari proses training dan testing pada data taksi adalah
masing-masing terdapat 90 model. Untuk menentukan model
terbaik pada data, dilihat model terbaik pada proses testing.
Tabel 6. 16 Error model testing pada data taksi
Data
observasi nilai k
Error
RMSE
2011 – 1 6 8,781
2011 – 2 1 8,471
2012 – 1 10 5,182
2013 – 1 2 4,490
2013 – 2 9 33,685
2014 – 1 6 7,903
2014 – 2 3 24,578
2015 – 2 4 31,082
2016 – 1 1 11,258
Tabel 6.16 menunjukan nilai RMSE terendah pada masing-
masing data observasi dengan nilai k yang ada didalamnya. Dari
nilai-nilai RMSE tersebut, didapatkan bahwa model terbaik
pada proses testing untuk tipe kendaraan taksi adalah k = 2
dengan nilai RMSE 4,490 dan mempertimbangkan data
observasi 2013 periode 1
6.1.8. Training dan Testing pada Data Truk 2 SB
Hasil dari proses training dan testing pada data truk 2 sb adalah
masing-masing terdapat 90 model. Untuk menentukan model
terbaik pada data, dilihat model terbaik pada proses testing.
Tabel 6. 17 Error model testing pada data truk 2 SB
Data
observasi nilai k
Error
RMSE
2011 – 1 1 1,286
2011 – 2 5 0,866
2012 – 1 1 0,994
64
Data
observasi nilai k
Error
RMSE
2013 – 1 4 0,961
2013 – 2 8 0,731
2014 – 1 1 0,994
2014 – 2 9 0,852
2015 – 2 8 0,806
2016 – 1 1 0,994
Tabel 6.17 menunjukan nilai RMSE terendah pada masing-
masing data observasi dengan nilai k yang ada didalamnya. Dari
nilai-nilai RMSE tersebut, didapatkan bahwa model terbaik
pada proses testing untuk tipe kendaraan motor adalah k = 8
dengan nilai RMSE 0,731 dan mempertimbangkan data
observasi 2013 periode 2.
6.2 Hasil dan Analisa Model Terbaik
Setelah melakukan proses training dan testing dan
didapatkannya nilai error pada setiap model, model terbaik
untuk menjadi acuan dalam peramalan didapatkan berdasarkan
hasil proses testing, dimana telah diketahui pada proses testing,
model terbaik dengan nilai error RMSE paling rendah telah
ditetapkan. Lihat Tabel 6. 18
Tabel 6. 18 Hasil error model terbaik
No. Data Data
observasi
Nilai k
optimal
RMSE
testing
1. Motor 2013 – 1 8 165,888
2. Mobil 2012 – 1 6 101,897
3. Angkot 2016 – 1 10 2,536
4. Bus besar 2011 – 1 2 1,142
5. Bus mini 2013 – 2 1 1,626
6. Mini truk 2012 – 1 3 2,150
7. Taksi 2013 – 1 2 4,490
8. Truk 2 sb 2013 – 2 8 0,731
65
Tabel 6. 18 Hasil error model terbaik menjelaskan bahwa hasil
error terendah pada masing-masing tipe data pada saat proses
testing akan digunakan sebagai model terbaik dalam melakukan
peramalan tahun 2017 periode 1.
Tabel 6. 19 MAPE model terbaik
No. Data MAPE
1. Motor 16,4%
2. Mobil 31,3%
3. Angkot 40,7%
4. Bus besar DIV
5. Bus mini DIV
6. Mini truk DIV
7. Taksi 47,3%
8. Truk 2 sb DIV
Tabel 6.19 adalah error MAPE yang didapatkan pada proses
testing, didapatkan bahwa untuk tipe kendaraan motor
kemampuan untuk meramalkan baik, sedangkan untuk
kendaraan mobil, angkot dan taksi, kemampuan untuk
meramalkan layak.
6.3 Hasil dan Analisa Peramalan
Setelah melakukan peramalan pada masing-masing data,
didapatkan hasil peramalan jumlah kendaraan yang melaju pada
jalan Basuki Rahmat Surabaya pada tahun 2017 periode 1 yang
dapat dilihat pada LAMPIRAN F DATA PERAMALAN.
66
Gambar 6. 1 Hasil peramalan motor tahun 2017 periode 1
Gambar 6. 1 adalah salah satu grafik hasil peramalan untuk
2017 periode 1 pada data motor. Dari grafik di atas dapat
diketahui untuk jumlah kendaraan motor yang akan melintas di
jalan Basuki Rahmat mempunyai range dari 580 hingga 961.
Selain grafik pada data motor, terdapat grafik hasil peramalan
dari tipe-tipe kendaraan lainnya yang dapat dilihat pada
LAMPIRAN E HASIL PERAMALAN.
Gambar 6. 2 adalah persentase total kendaraan per masing-
masing tipe kendaraan yang melaju pada jalan Basuki Rahmat
tahun 2017 periode 1 berdasarkan hasil peramalan.
0
200
400
600
800
1000
05
.00
- 0
5.1
0
05
.50
- 0
6.0
0
06
.40
- 0
6.5
0
07
.30
- 0
7.4
0
08
.20
- 0
8.3
0
09
.10
- 0
9.2
0
10
.00
- 1
0.1
0
10
.50
- 1
1.0
0
11
.40
- 1
1.5
0
12
.30
- 1
2.4
0
13
.20
- 1
3.3
0
14.
10 -
14
.20
15
.00
- 1
5.1
0
15
.50
- 1
6.0
0
16
.40
- 1
6.5
0
17
.30
- 1
7.4
0
18
.20
- 1
8.3
0
19
.10
- 1
9.2
0
20
.00
- 2
0.1
0
20
.50
- 2
1.0
0
jum
lah
waktu
Peramalan jumlah motor 2017 periode 1
67
Gambar 6. 2 Grafik persentase jumlah kendaraan tahun 2017 periode 1
Dari grafik di atas, kendaraan motor masih menjadi persentase
terbesar terhadap arus lalu lintas yang ada pada jalan Basuki
Rahmat, yaitu 71% pada tahun 2017 periode 1, lalu diikuti oleh
persentase mobil yaitu 27% pada tahun 2017 periode 1. Oleh
karena itu, dapat dibuat kesimpulan bahwa motor dan mobil
adalah 2 tipe kendaraan yang sangat berpengaruh pada arus lalu
lintas di jalan Basuki Rahmat Surabaya, melihat bahwa
persentase kendaraan lainnya tidak begitu besar.
Dari hasil peramalan yang dilakukan pula, didapatkan hasil
bahwa pada tahun 2017 periode 1 ada beberapa tipe kendaraan
yang mengalami peningkatan dan ada pula yang mengalami
penurunan dilihat berdasarkan perhitungan antara data 2017
periode 1 dengan data histori 2016 periode 2, dijelaskan pada
tabel 6.10.
Tabel 6. 20 Peningkatan atau penurunan jumlah kendaraan tahun 2017
periode 1
Tipe kendaraan Tahun Keterangan
Motor71%
Mobil27%
Taksi1%
Angkot1%
Bus besar0%
Bus mini0%
Mini truk0%
Truk 2 sb0%
Motor
Mobil
Taksi
Angkot
Bus besar
Bus mini
Mini truk
Truk 2 sb
68
2017-1 2016-2
Motor 78078 85037 -8%
Mobil 29008 34638 -16%
Taksi 1460 1382 6%
Angkot 626 735 -15%
Bus besar 209 735 -72%
Bus mini 33 154 -79%
Mini truk 32 144 -78%
Truk 2 sb 71 49 45%
Tanda minus (-) pada persentase menandakan tipe kendaraan
tersebut mengalami penurunan jumlah kendaraan, sedangkan
tanda plus (+) menandakan adanya peningkatan jumlah
kendaraan pada tipe kendaraan.
Selain itu, dari total seluruh kendaraan yang melaju pada jalan
Basuki Rahmat tahun 2017 periode 1, dapat diketahui waktu
terpadat dan waktu tersenggang pada tahun 2017 periode 1.
Perhatikan Gambar 6. 3
Gambar 6. 3 Grafik total kendaraan pada jalan Basuki Rahmat tahun 2017
periode 1
0200400600800
1000120014001600
05.
00 -
05
.10
05.
50 -
06
.00
06.
40 -
06
.50
07.
30 -
07
.40
08.
20 -
08
.30
09.
10 -
09
.20
10.
00 -
10
.10
10.
50 -
11
.00
11.
40 -
11
.50
12.
30 -
12
.40
13.
20 -
13
.30
14.
10 -
14
.20
15.
00 -
15
.10
15.
50 -
16
.00
16.
40 -
16
.50
17.
30 -
17
.40
18.
20 -
18
.30
19.
10 -
19
.20
20.
00 -
20
.10
20.
50 -
21
.00
jum
lah
waktu
total kendaraan yang melintas pada jalan Basuki Rahmat 2017 periode 1
69
Gambar 6. 3 adalah grafik total kendaraan yang melaju di jalan
Basuki Rahmat tahun 2017 periode 1. Lingkaran merah yang
ditunjukkan pada Gambar 6. 3 adalah tanda untuk menunjukkan
waktu terpadat dan waktu tersenggang pada tahun 2017 periode
1.
Minimal kendaraan yang melaju pada jalan Basuki Rahmat
adalah 811 kendaraan, sedangkan maksimal kendaraan yang
melaju pada jalan Basuki Rahmat adalah 1377 kendaraan.
Sehingga dapat diketahui waktu terpadat dan waktu
tersenggang pada jalan tersebut, ditunjukkan pada tabel Tabel
6. 21
Tabel 6. 21 Analisa waktu terpadat dan tersenggang
Waktu terpadat Waktu tersenggang
14.50 – 15.00 05.20 – 05.30
Analisa berdasarkan grafik yang ditunjukkan pada gambar 6.4,
didapatkan hasil bahwa waktu terpadat arus lalu lintas pada
jalan Basuki Rahmat adalah pukul 14.50 – 15.00. Sedangkan
waktu tersenggang arus lalu lintas pada jalan Basuki Rahmat
adalah pukul 05.20 hingga pukul 05.30.
70
(halaman ini sengaja dikosongkan)
71
BAB VII
KESIMPULAN DAN SARAN
7.1 Kesimpulan
Terdapat beberapa kesimpulan yang didapatkan dari penelitian
yang telah dilakukan, diantaranya adalah:
1. Metode K-Nearest Neighbor dapat digunakan untuk
mendapatkan hasil peramalan arus lalu lintas jangka
pendek dari Jalan Basuki Rahmat Surabaya.
2. Ekstraksi informasi sebagai input model pada K-
Nearest Neighbor dibedakan berdasarkan tipe
kendaraan. Terdapat 8 tipe kendaraan, sehingga data
mentah yang didapatkan pada Dinas Perhubungan akan
dipecah menurut tipe kendaraan.
3. Input data untuk menerapkan K-Nearest Neighbor
adalah data jumlah kendaraan pada masing-masing tipe
kendaraan pada tahun 2011 hingga tahun 2016.
4. Parameter untuk melakukan peramalan adalah nilai k
optimal dan jarak optimal untuk mendapatkan output
data peramalan.
5. Performa yang dihasilkan dari penerapan K-Nearest
Neighbor untuk menyelesaikan peramalan arus lalu
lintas jangka pendek dengan mempertimbangkan pola
kemiripan arus lalu lintas data histori dan nilai k yang
optimal berbeda-beda pada masing-masing data tipe
kendaraan.
6. Berdasarkan model terbaik pada masing-masing data
diantaranya setelah melakukan penelitian, nilai k yang
optimal untuk masing-masing data adalah k=8 dengan
error RMSE 165,888 untuk model terbaik motor, k=6
dengan error 101,897 untuk model mobil, k=10 dengan
error 2,536 untuk model angkot, k=2 dengan error
1,142 pada model bus besar, k=1 dengan error 1,626
72
pada model bus mini, k=3 dengan error 2,150 pada
model mini truk, k=2 dengan error 4,490 pada model
taksi, dan k=8 dengan error 0,731 untuk model truk 2
SB.
7.2 Saran
Setelah menyelesaikan penelitian ini, penulis menyarankan
beberapa hal untuk penelitian selanjutnya, diantaranya adalah
sebagai berikut.
1. Untuk penelitian selanjutnya, diharapkan untuk mencoba
data menggunakan data time series, maka performa KNN
akan lebih maksimal.
2. Menggunakan tools lain untuk menguji performa KNN,
salah satunya menggunakan MATLAB.
3. Menentukan nilai k sangat berpengaruh pada hasil
peramalan, semakin besar nilai k belum tentu didapatkan
hasil yang lebih baik karena nilai k semakin besar maka
kesalahan atau tingkat error akan berangsur-angsur
mengalami peningkatan.
73
DAFTAR PUSTAKA
[1] A. Erawan, “10 Kota Paling Macet di Indonesia,” 24
Oktober 2014. [Online]. Available:
http://www.rumah.com/berita-
properti/2014/10/69651/10-kota-paling-macet-di-
indonesia. [Diakses 19 Februari 2017].
[2] A. Bramastra, “Duh, Indonesia Borong Daftar 10 Kota
Termacet di Dunia, Adakah Kota Anda Tinggal?,” 17
September 2016. [Online]. Available:
http://suryamalang.tribunnews.com/2016/09/17/duh-
indonesia-borong-daftar-10-kota-termacet-di-dunia-
adakah-kota-anda-tinggal. [Diakses 19 Februari 2017].
[3] Jawa Pos, “Jawa Pos,” 01 Desember 2014. [Online].
Available:
http://www2.jawapos.com/baca/artikel/9796/kendaraan-
di-surabaya-tambah-17-ribu-lebih-sebulan. [Diakses 25
September 2016].
[4] B. W. Taylor III, Introduction to Management Science,
Ninth Edition, Virginia Polytechnic Institute and State
University: Prentice Hall, 2006.
[5] F. G. Habtemichael dan M. Cetin, “Short-term traffic flow
rate forecasting based on identifying similar traffic
patterns,” Transportation Research Part C: Emerging
Technologies, vol. 66, pp. 61-78, 2016.
[6] L. Zhang, Q. Liu, W. Yang, N. Wei dan D. Dong, “An
Improved K-Nearest Neighbor Model for Short-term
74
Traffic Flow Prediction,” International Conference of
Transportation Professionals, vol. 96, pp. 653-662, 2013.
[7] H. Xiaoyu, W. Yisheng dan H. Siyu, “Short-term flow
forecasting based on two-tier k-nearest neighbor
algoritm,” International Conference of Transportation
Professionals, vol. 13, no. 1, pp. 2329-2536, 2013.
[8] P. Cai, Y. Wang, G. Lu, P. Chen, C. Ding dan J. Sun, “A
spatiotemporal correlative k-nearest neighbor model for
short-term traffic multistep forecasting,” Transportation
Research Part C: Emerging Technologies, vol. 62, pp. 21-
34, 2016.
[9] Arief, “Teknik Peramalan,” 14 Januari 2013. [Online].
Available: http://informatika.web.id/teknik-
peramalan.htm. [Diakses 26 September 2016].
[10] P. C. Chang, Y. W. Wang dan C. H. Liu, “The
development of a weighted evolving fuzzy neural network
for PCB sales forecasting,” Expert Systems with
Applications, pp. 86-96, 2007.
[11] M. Nigel, “A comparison of the accuracy of short term
foreign exchange forecasting methods,” International
Journal of Forecasting, vol. 18, no. 1, pp. 67-83, 2002.
[12] Analytics Vidhya, “Best way to learn kNN Algorithm
using R Programming,” 19 Agustus 2015. [Online].
Available:
https://www.analyticsvidhya.com/blog/2015/08/learning
-concept-knn-algorithms-programming/. [Diakses 15 Mei
2017].
75
[13] Dr. Saed Sayad, “K Nearest Neighbors - Regression,”
[Online]. Available:
http://www.saedsayad.com/k_nearest_neighbors_reg.ht
m. [Diakses 17 Mei 2017].
[14] A. D. Tiaratuti dan S. Sudaryanto, M.Kom,
“IMPLEMENTASI METODE K-NEAREST
NEIGHBOR DALAM PERAMALAN PENJUALAN
MOBIL PADA PT BENGAWAN ABADI MOTOR”.
[15] R. Hutami dan E. Z. Astuti, “IMPLEMENTASI
METODE K-NEAREST NEIGHBOR UNTUK
PREDIKSI PENJUALAN FURNITURE PADA CV.
OCTO AGUNG,” Dokumen Karya Ilmiah | Tugas Akhir
| Program Studi Teknik Informatika - S1 | Fakultas Ilmu
Komputer | Universitas Dian Nuswantoro Semarang,
2016.
[16] stack exchange, “knn.reg utilisation in R,” [Online].
Available:
https://stats.stackexchange.com/questions/73911/knn-
reg-utilisation-in-r. [Diakses 01 Juni 2017].
[17] A. S. Amiun, “Pengertian analisa data, tujuan dan
tekniknya,” Informasi Ahli, 2016. [Online]. Available:
http://www.informasiahli.com/2015/08/pengertian-
analisis-data-tujuan-dan-tekniknya.html. [Diakses 05
Oktober 2016].
[18] Meta Stack Exchange, “How to normalize data to 0-1
range?,” [Online]. Available:
https://stats.stackexchange.com/questions/70801/how-to-
normalize-data-to-0-1-range. [Diakses 01 Juni 2017].
76
[19] Stack Overflow, “Use a KNN-regression algorithm in R,”
[Online]. Available:
https://stackoverflow.com/questions/38072340/use-a-
knn-regression-algorithm-in-r. [Diakses 05 Juni 2017].
[20] D. Dalpiaz, “Chapter 10 k-Nearest Neighbors,” [Online].
Available: https://daviddalpiaz.github.io/r4sl/k-nearest-
neighbors.html#regression. [Diakses 10 Juni 2017].
[21] stack overflow, “r - Prediction for new observation in
knn,” [Online]. Available:
https://stackoverflow.com/questions/37824514/r-
prediction-for-new-observation-in-knn. [Diakses 20 Mei
2017].
[22] wikiHow, “Cara Menghitung Persentase Kenaikan,”
[Online]. Available: http://id.wikihow.com/Menghitung-
Persentase-Kenaikan. [Diakses 19 Juni 2017].
[23] Math is fun, “Percentage Change,” [Online]. Available:
http://www.mathsisfun.com/numbers/percentage-
change.html. [Diakses 19 Juni 2017].
[24] Z. Zheng dan D. Su, “Short-term traffic volume
forecasting: a K-nearest neighbor approach enhanced by
constrained linearly sewing principle component,”
Transportation Research Part C: Emerging
Technologies, vol. 43, no. 1, pp. 143-157, 2014.
77
BIODATA PENULIS
Penulis lahir di Serang pada
tanggal 12 bulan April tahun 1995.
Penulis merupakan anak pertama
dari tiga bersaudara. Penulis telah
menempul Pendidikan formal pada
SDN Serdang II, SMPIT Raudhatul
Jannah dan SMAN Cahaya Madani
Banten Boarding School dan kini
menepuh pendidikan perguruan
tinggi di Institut Teknologi Sepuluh
Nopember pada Departemen
Sistem Informasi tahun 2013 dengan jalur undangan dengan
nomor induk (NRP) 5213100029. Selama perkuliahan, penulis
aktif di organisasi dan kepanitiaan, antara lain menjadi staff
SRD di BEM FTIF dan staff ahli di SRD BEM FTIF, sebagai
staff Film Festival acara ITS Expo dan juga menjadi staff
bagian Dokumentasi dan Publikasi IS EXPO.
78
(Halaman ini sengaja dikosongkan)
A-1
LAMPIRAN A DATA MENTAH
Data yang dilampirkan pada tabel A-1.1 adalah data tahun 2016
periode 2, salah satu contoh data mentah yang penulis dapatkan
dari Dinas Perhubungan Kota Surabaya.
Tabel A-1. 1 Data mentah tahun 2016 periode 2
Waktu
(Interval
10
menit)
M MP A T B
M P
M
T
B
B
T
2
05.00 -
05.10 452 389 7 12 0 5 0 0 0
05.10 -
05.20 507 351 4 8 0 3 0 0 0
05.20 -
05.30 825 327 9 5 1 7 0 0 0
05.30 -
05.40 517 368 11 13 0 5 0 1 0
05.40 -
05.50 833 392 9 9 1 9 0 0 0
05.50 -
06.00 449 401 13 8 0 7 0 1 1
06.00 -
06.10 678 428 10 12 2 7 0 1 0
06.10 -
06.20 892 492 8 9 0 3 0 0 0
06.20 -
06.30 708 387 11 15 0 8 0 0 1
06.30 -
06.40 617 351 15 8 1 5 0 0 0
06.40 -
06.50 529 425 9 5 0 11 0 1 0
06.50 -
07.00 545 439 7 8 0 9 0 0 0
07.00 -
07.10 862 427 5 10 0 9 0 0 0
07.10 -
07.20 889 441 9 7 1 4 0 1 1
A-2
Waktu
(Interval
10
menit)
M MP A T B
M P
M
T
B
B
T
2
07.20 -
07.30 601 472 12 5 0 2 0 0 0
07.30 -
07.40 778 464 9 9 2 1 0 1 1
07.40 -
07.50 845 435 7 5 1 4 1 1 0
07.50 -
08.00 869 446 9 3 1 6 0 1 0
08.00 -
08.10 972 459 9 11 1 8 0 0 0
08.10 -
08.20 1191 471 5 9 0 4 0 1 0
08.20 -
08.30 808 482 5 7 1 11 0 0 0
08.30 -
08.40 912 392 2 5 0 8 0 1 1
08.40 -
08.50 824 409 4 7 1 5 0 0 0
08.50 -
09.00 929 418 2 3 1 5 1 1 0
09.00 -
09.10 718 168 5 15 0 5 0 2 2
09.10 -
09.20 880 199 4 18 1 3 1 0 0
09.20 -
09.30 717 202 10 9 0 9 0 3 0
09.30 -
09.40 798 165 3 20 0 7 0 0 0
09.40 -
09.50 891 178 11 5 1 11 0 1 0
09.50 -
10.00 813 159 4 11 1 6 1 0 1
10.00 -
10.10 888 170 9 11 1 3 0 2 0
10.10 -
10.20 913 181 7 5 2 4 1 0 0
A-3
Waktu
(Interval
10
menit)
M MP A T B
M P
M
T
B
B
T
2
10.20 -
10.30 856 205 3 12 2 7 1 1 1
10.30 -
10.40 817 171 10 6 1 2 0 0 0
10.40 -
10.50 881 175 5 6 0 10 0 0 0
10.50 -
11.00 905 180 8 10 1 7 0 0 0
11.00 -
11.10 820 161 11 5 0 4 0 2 0
11.10 -
11.20 786 172 9 6 2 3 0 2 1
11.20 -
11.30 811 187 10 4 2 4 1 2 0
11.30 -
11.40 767 159 12 4 0 3 0 0 0
11.40 -
11.50 809 124 12 6 1 5 1 1 0
11.50 -
12.00 795 137 11 5 2 6 0 2 0
12.00 -
12.10 654 144 10 6 0 5 0 2 0
12.10 -
12.20 520 155 11 6 0 4 0 2 0
12.20 -
12.30 533 123 10 5 2 4 1 0 0
12.30 -
12.40 630 130 9 7 1 4 1 3 0
12.40 -
12.50 670 147 12 5 2 3 0 2 0
12.50 -
13.00 541 138 11 6 2 3 0 2 0
13.00 -
13.10 967 321 8 20 4 6 1 2 0
A-4
Waktu
(Interval
10
menit)
M MP A T B
M P
M
T
B
B
T
2
13.10 -
13.20 972 462 6 23 2 8 2 3 1
13.20 -
13.30 983 441 6 16 2 5 1 2 1
13.30 -
13.40 1023 399 7 17 3 7 0 4 2
13.40 -
13.50 1054 421 5 21 6 8 1 2 0
13.50 -
14.00 972 321 6 26 2 8 2 2 0
14.00 -
14.10 973 576 8 21 2 4 1 2 0
14.10 -
14.20 996 421 6 28 1 3 2 4 0
14.20 -
14.30 954 782 7 20 2 2 1 2 0
14.30 -
14.40 1023 501 6 21 2 4 1 6 0
14.40 -
14.50 1116 563 6 22 3 3 2 2 0
14.50 -
15.00 1027 605 5 23 2 2 1 4 0
15.00 -
15.10 1164 492 8 25 2 2 1 2 0
15.10 -
15.20 1123 468 6 21 1 3 0 2 0
15.20 -
15.30 963 483 9 22 2 5 1 4 0
15.30 -
15.40 1008 412 6 22 2 5 0 2 0
15.40 -
15.50 1195 520 6 28 0 4 1 3 0
15.50 -
16.00 1185 410 7 23 2 5 1 2 0
16.00 -
16.10 1221 481 17 28 2 6 1 4 1
A-5
Waktu
(Interval
10
menit)
M MP A T B
M P
M
T
B
B
T
2
16.10 -
16.20 1156 501 12 21 2 4 2 2 2
16.20 -
16.30 1143 491 8 23 3 3 2 3 0
16.30 -
16.40 1212 482 7 24 2 3 2 2 0
16.40 -
16.50 1196 491 6 21 1 4 3 2 0
16.50 -
17.00 1110 472 16 24 3 6 2 2 1
17.00 -
17.10 1263 386 16 21 4 6 6 4 0
17.10 -
17.20 1254 421 8 28 3 2 2 2 2
17.20 -
17.30 1121 471 7 24 2 3 3 4 2
17.30 -
17.40 1118 563 9 24 4 4 4 2 0
17.40 -
17.50 963 431 7 28 3 3 3 2 1
17.50 -
18.00 1008 471 6 24 2 5 5 4 0
18.00 -
18.10 1062 461 8 24 4 5 5 3 0
18.10 -
18.20 986 392 7 22 2 1 1 3 0
18.20 -
18.30 1126 470 9 18 4 2 2 4 1
18.30 -
18.40 1007 431 9 16 3 4 4 2 1
18.40 -
18.50 965 385 8 17 2 3 3 2 0
18.50 -
19.00 994 402 7 19 2 3 3 2 2
A-6
Waktu
(Interval
10
menit)
M MP A T B
M P
M
T
B
B
T
2
19.00 -
19.10 866 361 6 18 3 6 6 4 1
19.10 -
19.20 972 345 7 19 2 3 3 4 1
19.20 -
19.30 891 395 7 21 2 2 2 3 2
19.30 -
19.40 925 401 6 23 4 1 1 2 3
19.40 -
19.50 975 325 8 16 3 5 5 2 1
19.50 -
20.00 899 299 6 19 3 4 4 3 0
20.00 -
20.10 671 241 2 11 2 7 7 3 2
20.10 -
20.20 782 306 3 14 3 8 8 4 3
20.20 -
20.30 894 295 1 15 2 7 7 3 1
20.30 -
20.40 782 202 3 13 1 7 7 2 1
20.40 -
20.50 682 381 2 12 1 6 6 2 4
20.50 -
21.00 650 291 1 10 2 6 6 4 3
Keterangan:
M = Motor
MP = Mobil Pribadi
A = Angkot
T = Taksi
BM = Bus Mini
BB = Bus Besar
MT = Mini Truk
T2 = Truk 2 SB
B-1
LAMPIRAN B DATA NORMALISASI
Tabel A-2.1 adalah hasil normalisasi dari data kendaraan motor.
Tabel A-2. 1 Hasil normalisasi pada data motor
Wa
ktu
20
11
_1
20
11
_2
20
12
_1
20
13
_1
20
13
_2
20
14
_1
20
14
_2
20
15
_2
20
16
_1
20
16
_2
05.0
0 -
05.1
0
0,0
32
68
0 0,0
82
35
3
0,0
77
12
4
0,3
27
84
3
0,1
34
37
9
0,1
06
66
7
0,3
43
79
1
0,0
82
87
6
0,0
77
38
6
05.1
0 -
05.2
0
0,0
19
34
6
0,0
10
98
0,0
88
88
9
0,0
69
80
4
0,3
74
64
1
0,1
73
33
3
0,1
45
62
1
0,3
39
86
9
0,0
95
94
8
0,0
91
76
5
05.2
0 -
05.3
0
0,0
59
08
5
0,0
16
47
1
0,1
00
91
5
0,0
75
55
6
0,4
10
45
8
0,2
72
94
1
0,1
91
37
3
0,3
46
92
8
0,1
65
75
2
0,1
74
90
2
05.3
0 -
05.4
0
0,0
67
71
2
0,0
44
70
6
0,1
05
88
2
0,0
87
05
9
0,0
11
50
3
0,2
67
45
1
0,2
76
60
1
0,3
52
15
7
0,1
56
86
3
0,0
94
37
9
05.4
0 -
05.5
0
0,1
11
11
1
0,0
61
69
9
0,1
15
81
7
0,0
95
94
8
1 0,2
20
39
2
0,3
67
32
0,3
45
09
8
0,1
93
98
7
0,1
76
99
3
05.5
0 -
06.0
0
0,1
66
27
5
0,0
78
43
1
0,1
36
73
2
0,1
15
55
6
0,4
72
41
8
0,2
29
54
2
0,4
14
11
8
0,3
47
97
4
0,1
88
49
7
0,0
76
60
1
06.0
0 -
06.1
0
0,3
88
49
7
0,0
99
08
5
0,1
43
00
7
0,1
18
95
4
0,4 0,2
73
20
3
0,4
52
81
0,3
33
85
6
0,2 0,1
36
47
1
06.1
0 -
06.2
0
0,3
73
85
6
0,1
02
74
5
0,1
46
14
4
0,1
65
49
0,4
69
02
0,2
81
83
0,4
66
66
7
0,3
25
49
0,2
17
25
5
0,1
92
41
8
B-2
Wa
ktu
20
11
_1
20
11
_2
20
12
_1
20
13
_1
20
13
_2
20
14
_1
20
14
_2
20
15
_2
20
16
_1
20
16
_2
06.2
0 -
06.3
0
0,3
86
40
5
0,1
22
35
3
0,1
47
97
4
0,2
17
77
8
0,4
99
86
9
0,2
72
41
8
0,4
87
32
0,3
21
56
9
0,2
26
14
4
0,1
44
31
4
06.3
0 -
06.4
0
0,3
98
17
0,1
36
47
1
0,1
50
32
7
0,2
05
22
9
0,4
57
51
6
0,2
98
82
4
0,4
74
77
1
0,3
14
51
0,2
52
28
8
0,1
20
52
3
06.4
0 -
06.5
0
0,3
57
12
4
0,1
49
02
0,1
53
98
7
0,2
20
91
5
0,3
79
86
9
0,2
99
60
8
0,4
70
06
5
0,3
20
26
1
0,2
30
85
0,0
97
51
6
06.5
0 -
07.0
0
0,4
09
15
0,1
61
30
7
0,1
62
87
6
0,1
65
49
0,4
03
66
0,2
72
68
0,4
19
86
9
0,3
16
60
1
0,2
46
27
5
0,1
01
69
9
07.0
0 -
07.1
0
0,3
98
43
1
0,1
59
21
6
0,1
70
19
6
0,1
72
54
9
0,3
61
04
6
0,3
22
61
4
0,3
30
71
9
0,2
99
34
6
0,3
09
28
1
0,1
84
57
5
07.1
0 -
07.2
0
0,3
75
16
3
0,1
71
50
3
0,1
75
94
8
0,1
91
11
1
0,3
61
04
6
0,3
38
30
1
0,3
13
72
5
0,2
92
02
6
0,3
10
06
5
0,1
91
63
4
07.2
0 -
07.3
0
0,4
12
02
6
0,1
83
26
8
0,1
76
47
1
0,1
80
13
1
0,3
2
0,3
72
28
8
0,3
69
93
5
0,2
93
85
6
0,3
18
95
4
0,1
16
34
07.3
0 -
07.4
0
0,3
90
85
0,1
92
68
0,1
79
60
8
0,1
83
00
7
0,3
42
22
2
0,3
17
38
6
0,3
94
77
1
0,3
03
00
7
0,2
94
37
9
0,1
62
61
4
07.4
0 -
07.5
0
0,4
02
09
2
0,2
03
39
9
0,1
83
26
8
0,1
89
02
0,4
02
61
4
0,3
93
20
3
0,3
54
24
8
0,3
32
02
6
0,2
99
60
8
0,1
80
13
1
B-3
Wa
ktu
20
11
_1
20
11
_2
20
12
_1
20
13
_1
20
13
_2
20
14
_1
20
14
_2
20
15
_2
20
16
_1
20
16
_2
07.5
0 -
08.0
0
0,4
07
05
9
0,2
06
79
7
0,1
92
68
0,1
94
24
8
0,3
89
28
1
0,4
48
10
5
0,3
43
52
9
0,3
32
54
9
0,2
98
30
1
0,1
86
40
5
08.0
0 -
08.1
0
0,3
72
54
9
0,1
93
98
7
0,2
06
01
3
0,1
97
64
7
0,3
39
86
9
0,4
53
33
3
0,4
16
73
2
0,2
83
13
7
0,2
94
11
8
0,2
13
33
3
08.1
0 -
08.2
0
0,3
84
05
2
0,1
85
88
2
0,2
15
68
6
0,1
98
69
3
0,2
33
98
7
0,4
81
56
9
0,3
85
35
9
0,2
04
44
4
0,2
98
82
4
0,2
70
58
8
08.2
0 -
08.3
0
0,3
61
04
6
0,1
97
64
7
0,2
19
86
9
0,1
96
60
1
0,4
58
82
4
0,4
84
44
4
0,3
35
94
8
0,1
91
37
3
0,3
24
44
4
0,1
70
45
8
08.3
0 -
08.4
0
0,3
70
19
6
0,1
75
42
5
0,2
20
39
2
0,1
93
72
5
0,3
29
93
5
0,5
11
89
5
0,3
67
32
0,1
93
72
5
0,3
13
98
7
0,1
97
64
7
08.4
0 -
08.5
0
0,3
91
37
3
0,1
64
70
6
0,2
23
26
8
0,1
74
37
9
0,4
70
06
5
0,5
09
28
1
0,3
49
02
0,1
85
88
2
0,3
07
45
1
0,1
74
64
1
08.5
0 -
09.0
0
0,4
07
32
0,1
56
86
3
0,2
24
05
2
0,1
88
23
5
0,3
00
39
2
0,4
76
60
1
0,3
65
75
2
0,1
60
26
1
0,3
11
89
5
0,2
02
09
2
09.0
0 -
09.1
0
0,3
67
84
3
0,1
22
09
2
0,2
15
16
3
0,1
91
89
5
0,3
08
23
5
0,5
19
73
9
0,3
04
57
5
0,1
49
02
0,2
76
34
0,1
46
92
8
09.1
0 -
0,3
99
0,0
93
0,1
79
0,1
97
0,3
18
0,5
42
0,2
94
0,1
45
0,2
84
0,1
89
B-4
Wa
ktu
20
11
_1
20
11
_2
20
12
_1
20
13
_1
20
13
_2
20
14
_1
20
14
_2
20
15
_2
20
16
_1
20
16
_2
09.2
0
73
9
07
2
86
9
38
6
95
4
22
2
11
8
62
1
18
3
28
1
09.2
0 -
09.3
0
0,3
95
81
7
0,1
05
88
2
0,1
70
71
9
0,1
96
60
1
0,2
99
60
8
0,5
81
17
6
0,2
93
07
2
0,1
41
17
6
0,2
54
37
9
0,1
46
66
7
09.3
0 -
09.4
0
0,3
61
56
9
0,0
98
30
1
0,1
88
49
7
0,1
85
35
9
0,3
52
15
7
0,5
31
76
5
0,2
64
57
5
0,1
44
57
5
0,2
50
19
6
0,1
67
84
3
09.4
0 -
09.5
0
0,3
78
56
2
0,0
92
81
0,1
81
69
9
0,1
89
02
0,3
23
92
2
0,4
75
03
3
0,3
02
22
2
0,1
48
23
5
0,2
51
76
5
0,1
92
15
7
09.5
0 -
10.0
0
0,3
74
11
8
0,0
92
28
8
0,1
71
50
3
0,1
77
25
5
0,3
44
31
4
0,4
55
42
5
0,2
90
71
9
0,1
45
09
8
0,2
71
63
4
0,1
71
76
5
10.0
0 -
10.1
0
0,3
71
24
2
0,0
85
22
9
0,1
65
49
0,1
71
24
2
0,1
87
71
2
0,4
80
26
1
0,3
19
47
7
0,1
26
53
6
0,2
49
15
0,1
91
37
3
10.1
0 -
10.2
0
0,3
58
69
3
0,0
82
35
3
0,1
53
72
5
0,1
43
79
1
0,2
23
26
8
0,5
17
90
8
0,2
88
88
9
0,1
51
37
3
0,2
55
94
8
0,1
97
90
8
10.2
0 -
10.3
0
0,3
78
82
4
0,0
86
27
5
0,1
40
39
2
0,1
64
96
7
0,1
98
43
1
0,5
33
85
6
0,2
49
67
3
0,1
52
94
1
0,2
41
30
7
0,1
83
00
7
10.3
0 -
10.4
0
0,3
80
91
5
0,0
90
19
6
0,1
25
22
9
0,1
51
11
1
0,2
42
87
6
0,4
82
61
4
0,2
80
52
3
0,1
48
23
5
0,2
34
77
1
0,1
72
81
10.4
0 -
0,3
72
81
0,0
72
0,1
10
0,1
55
0,2
42
0,4
84
0,3
14
0,1
35
0,2
21
0,1
89
B-5
Wa
ktu
20
11
_1
20
11
_2
20
12
_1
20
13
_1
20
13
_2
20
14
_1
20
14
_2
20
15
_2
20
16
_1
20
16
_2
10.5
0
15
7
58
8
55
6
87
6
70
6
77
1
94
8
96
1
54
2
10.5
0 -
11.0
0
0,3
84
05
2
0,0
74
51
0,1
16
60
1
0,1
42
74
5
0,2
08
88
9
0,4
76
60
1
0,3
39
86
9
0,1
50
32
7
0,2
27
19
0,1
95
81
7
11.0
0 -
11.1
0
0,3
87
19
0,0
77
38
6
0,1
10
58
8
0,1
45
09
8
0,2
68
75
8
0,5
42
22
2
0,3
17
90
8
0,1
55
55
6
0,2
86
53
6
0,1
73
59
5
11.1
0 -
11.2
0
0,4
07
58
2
0,0
75
03
3
0,1
12
94
1
0,1
41
69
9
0,3
00
91
5
0,5
33
85
6
0,2
98
56
2
0,1
54
77
1
0,2
57
77
8
0,1
64
70
6
11.2
0 -
11.3
0
0,3
98
95
4
0,0
70
58
8
0,1
13
46
4
0,1
30
98
0,3
07
97
4
0,5
23
66
0,2
91
50
3
0,1
58
69
3
0,2
29
80
4
0,1
71
24
2
11.3
0 -
11.4
0
0,4
09
41
2
0,0
69
28
1
0,1
02
22
2
0,1
19
21
6
0,3
90
58
8
0,4
82
09
2
0,2
84
70
6
0,1
65
22
9
0,2
44
18
3
0,1
59
73
9
11.4
0 -
11.5
0
0,4
07
05
9
0,0
72
15
7
0,0
97
77
8
0,1
33
59
5
0,2
90
45
8
0,4
89
93
5
0,3
16
86
3
0,1
58
43
1
0,2
50
19
6
0,1
70
71
9
11.5
0 -
12.0
0
0,3
85
35
9
0,0
66
40
5
0,0
95
68
6
0,1
46
92
8
0,3
79
34
6
0,4
80
52
3
0,2
92
81
0,1
61
56
9
0,2
74
24
8
0,1
67
05
9
12.0
0 -
12.1
0
0,3
86
66
7
0,0
69
80
4
0,1
36
20
9
0,1
54
77
1
0,2
23
52
9
0,5
60
52
3
0,3
41
69
9
0,1
47
97
4
0,2
67
71
2
0,1
30
19
6
B-6
Wa
ktu
20
11
_1
20
11
_2
20
12
_1
20
13
_1
20
13
_2
20
14
_1
20
14
_2
20
15
_2
20
16
_1
20
16
_2
12.1
0 -
12.2
0
0,4
07
58
2
0,0
73
20
3
0,1
37
77
8
0,1
50
58
8
0,2
02
35
3
0,5
79
08
5
0,2
93
85
6
0,1
39
86
9
0,2
54
37
9
0,0
95
16
3
12.2
0 -
12.3
0
0,3
98
69
3
0,0
70
85
0,1
42
48
4
0,1
71
50
3
0,2
13
59
5
0,5
42
22
2
0,3
16
86
3
0,1
25
22
9
0,2
41
83
0,0
98
56
2
12.3
0 -
12.4
0
0,4
10
45
8
0,0
74
51
0,1
61
83
0,1
65
49
0,2
94
11
8
0,5
73
59
5
0,3
18
43
1
0,1
33
59
5
0,2
28
75
8
0,1
23
92
2
12.4
0 -
12.5
0
0,4
11
76
5
0,0
78
43
1
0,1
68
10
5
0,1
71
24
2
0,2
8
0,4
79
21
6
0,2
68
23
5
0,1
36
20
9
0,2
23
00
7
0,1
34
37
9
12.5
0 -
13.0
0
0,3
99
21
6
0,0
73
72
5
0,1
63
92
2
0,1
56
86
3
0,2
33
20
3
0,4
87
32
0,2
91
50
3
0,1
29
93
5
0,2
46
01
3
0,1
00
65
4
13.0
0 -
13.1
0
0,4
07
84
3
0,1
28
62
7
0,1
68
88
9
0,1
68
36
6
0,2
90
45
8
0,3
92
41
8
0,3
16
86
3
0,1
70
19
6
0,2
26
14
4
0,2
12
02
6
13.1
0 -
13.2
0
0,3
99
21
6
0,1
38
03
9
0,1
72
54
9
0,1
75
16
3
0,3
09
80
4
0,3
85
62
1
0,3
25
49
0,2 0,2
23
79
1
0,2
13
33
3
13.2
0 -
13.3
0
0,3
97
12
4
0,1
63
66
0,1
75
16
3
0,1
77
77
8
0,2
12
02
6
0,3
75
94
8
0,2
85
75
2
0,2
47
32
0,2
20
39
2
0,2
16
20
9
13.3
0 -
13.4
0
0,4
10
98
0,1
66
79
7
0,1
82
48
4
0,1
80
13
1
0,2
07
84
3
0,4
26
66
7
0,3
10
32
7
0,2
23
26
8
0,2
16
47
1
0,2
26
66
7
B-7
Wa
ktu
20
11
_1
20
11
_2
20
12
_1
20
13
_1
20
13
_2
20
14
_1
20
14
_2
20
15
_2
20
16
_1
20
16
_2
13.4
0 -
13.5
0
0,3
75
42
5
0,1
27
05
9
0,1
90
06
5
0,1
78
30
1
0,2
08
10
5
0,3
93
46
4
0,3
12
15
7
0,2
16
73
2
0,2
24
57
5
0,2
34
77
1
13.5
0 -
14.0
0
0,4
00
26
1
0,1
26
53
6
0,1
80
13
1
0,1
65
49
0,1
87
97
4
0,3
80
65
4
0,2
89
93
5
0,2
02
87
6
0,2
23
26
8
0,2
13
33
3
14.0
0 -
14.1
0
0,3
97
90
8
0,1
25
22
9
0,1
65
49
0,1
71
24
2
0,2
05
75
2
0,4
60
13
1
0,2
17
77
8
0,2
30
85
0,1
99
47
7
0,2
13
59
5
14.1
0 -
14.2
0
0,4
07
05
9
0,1
26
79
7
0,1
61
83
0,1
74
64
1
0,1
72
81
0,4
75
81
7
0,2
81
04
6
0,2
15
68
6
0,2 0,2
19
60
8
14.2
0 -
14.3
0
0,3
63
92
2
0,1
28
62
7
0,1
68
62
7
0,1
69
41
2
0,1
85
35
9
0,4
54
11
8
0,2
85
49
0,2
71
11
1
0,2
00
78
4
0,2
08
62
7
14.3
0 -
14.4
0
0,3
82
48
4
0,1
24
44
4
0,1
75
42
5
0,1
71
24
2
0,1
98
95
4
0,4
63
26
8
0,3
09
28
1
0,2
21
69
9
0,1
97
38
6
0,2
26
66
7
14.4
0 -
14.5
0
0,4
08
88
9
0,1
27
84
3
0,1
72
28
8
0,1
74
90
2
0,2
43
92
2
0,4
73
20
3
0,2
64
31
4
0,2
83
39
9
0,1
78
03
9
0,2
50
98
14.5
0 -
15.0
0
0,3
92
68
0,1
29
67
3
0,1
67
58
2
0,1
80
91
5
0,1
60
52
3
0,4
80
78
4
0,2
86
53
6
0,2
57
25
5
0,2 0,2
27
71
2
15.0
0 -
0,3
85
0,1
61
83
0,1
62
0,1
69
15
0,0
58
0,5
34
0,3
40
0,2
27
19
0,2
35
0,2
63
B-8
Wa
ktu
20
11
_1
20
11
_2
20
12
_1
20
13
_1
20
13
_2
20
14
_1
20
14
_2
20
15
_2
20
16
_1
20
16
_2
15.1
0
88
2
61
4
82
4
90
2
65
4
29
4
52
9
15.1
0 -
15.2
0
0,3
70
71
9
0,1
64
44
4
0,1
68
88
9
0,1
62
87
6
0,2
34
77
1
0,5
6
0,3
36
73
2
0,3
03
26
8
0,2
19
34
6
0,2
52
81
15.2
0 -
15.3
0
0,3
61
30
7
0,1
66
53
6
0,1
71
50
3
0,1
68
88
9
0,2
31
37
3
0,5
90
32
7
0,3
34
64
1
0,2
01
04
6
0,2
15
68
6
0,2
10
98
15.3
0 -
15.4
0
0,3
91
89
5
0,1
67
84
3
0,1
70
71
9
0,1
78
56
2
0,2
40
78
4
0,5
73
59
5
0,3
56
60
1
0,2
15
94
8
0,2
15
68
6
0,2
22
74
5
15.4
0 -
15.5
0
0,3
53
98
7
0,1
63
66
0,1
82
48
4
0,1
84
83
7
0,2
77
38
6
0,5
60
78
4
0,2
81
56
9
0,2
48
88
9
0,2
16
47
1
0,2
71
63
4
15.5
0 -
16.0
0
0,3
88
23
5
0,1
50
32
7
0,1
78
56
2
0,1
75
94
8
0,3
17
90
8
0,5
54
24
8
0,3
10
85
0,2
77
64
7
0,2
27
45
1
0,2
69
02
16.0
0 -
16.1
0
0,4
16
99
3
0,1
64
18
3
0,1
86
14
4
0,1
85
88
2
0,3
33
07
2
0,5
37
25
5
0,3
59
73
9
0,5
33
59
5
0,2
11
76
5
0,2
78
43
1
16.1
0 -
16.2
0
0,3
98
95
4
0,1
66
27
5
0,1
80
65
4
0,1
89
02
0,2
81
30
7
0,5
42
48
4
0,3
49
28
1
0,4
39
47
7
0,2
10
45
8
0,2
61
43
8
16.2
0 -
16.3
0
0,4
13
07
2
0,1
73
33
3
0,1
90
85
0,1
91
63
4
0,3
30
71
9
0,5
63
66
0,3
6
0,4
55
68
6
0,2
15
94
8
0,2
58
03
9
16.3
0 -
0,4
14
0,1
76
0,1
84
0,2
01
0,1
19
0,5
07
0,3
58
0,4
17
0,2
08
0,2
76
B-9
Wa
ktu
20
11
_1
20
11
_2
20
12
_1
20
13
_1
20
13
_2
20
14
_1
20
14
_2
20
15
_2
20
16
_1
20
16
_2
16.4
0
37
9
20
9
83
7
56
9
73
9
71
2
69
3
77
8
36
6
07
8
16.4
0 -
16.5
0
0,4
01
56
9
0,1
81
96
1
0,1
94
77
1
0,2
08
10
5
0,1
35
42
5
0,5
01
69
9
0,3
62
09
2
0,3
47
97
4
0,2
10
98
0,2
71
89
5
16.5
0 -
17.0
0
0,4
09
41
2
0,1
86
14
4
0,1
91
63
4
0,2
07
84
3
0,1
24
96
7
0,4
86
01
3
0,3
10
32
7
0,2
52
28
8
0,2
11
50
3
0,2
49
41
2
17.0
0 -
17.1
0
0,3
59
21
6
0,1
56
60
1
0,1
97
64
7
0,2
00
52
3
0,1
22
87
6
0,4
68
23
5
0,2
81
83
0,2
15
68
6
0,2
66
92
8
0,2
89
41
2
17.1
0 -
17.2
0
0,3
44
83
7
0,1
53
20
3
0,2
01
56
9
0,2
14
90
2
0,1
31
50
3
0,4
64
57
5
0,3
22
87
6
0,2
31
89
5
0,2
73
20
3
0,2
87
05
9
17.2
0 -
17.3
0
0,3
38
30
1
0,1
55
81
7
0,1
98
43
1
0,2
21
69
9
0,1
23
39
9
0,4
38
43
1
0,2
83
92
2
0,2
65
88
2
0,2
70
58
8
0,2
52
28
8
17.3
0 -
17.4
0
0,3
56
60
1
0,1
52
94
1
0,1
95
03
3
0,2
20
13
1
0,1
33
85
6
0,4
22
22
2
0,3
01
96
1
0,3
71
50
3
0,2
73
98
7
0,2
51
50
3
17.4
0 -
17.5
0
0,3
44
31
4
0,1
54
77
1
0,1
79
60
8
0,2
14
90
2
0,1
44
05
2
0,4
15
42
5
0,3
06
40
5
0,4
54
37
9
0,2
95
42
5
0,2
10
98
17.5
0 -
18.0
0
0,3
40
39
2
0,1
55
55
6
0,1
83
00
7
0,2
00
52
3
0,1
43
52
9
0,4
25
88
2
0,2
92
02
6
0,4
79
73
9
0,2
88
36
6
0,2
22
74
5
B-10
Wa
ktu
20
11
_1
20
11
_2
20
12
_1
20
13
_1
20
13
_2
20
14
_1
20
14
_2
20
15
_2
20
16
_1
20
16
_2
18.0
0 -
18.1
0
0,3
57
38
6
0,1
76
20
9
0,1
85
88
2
0,2
09
15
0,1
29
41
2
0,2
81
04
6
0,2
33
98
7
0,2
76
60
1
0,1
55
29
4
0,2
36
86
3
18.1
0 -
18.2
0
0,3
80
65
4
0,1
78
30
1
0,1
79
60
8
0,2
00
52
3
0,0
91
24
2
0,2
78
17
0,2
16
20
9
0,2
52
28
8
0,1
73
33
3
0,2
16
99
3
18.2
0 -
18.3
0
0,3
6
0,1
81
96
1
0,1
84
05
2
0,1
94
24
8
0,0
95
94
8
0,3
06
92
8
0,2
13
33
3
0,2
99
34
6
0,1
69
93
5
0,2
53
59
5
18.3
0 -
18.4
0
0,3
83
00
7
0,2
36
34
0,1
71
50
3
0,1
71
76
5
0,0
99
34
6
0,3
11
37
3
0,2
21
96
1
0,2
15
94
8
0,1
74
90
2
0,2
22
48
4
18.4
0 -
18.5
0
0,3
72
81
0,2
43
39
9
0,1
75
16
3
0,2
06
27
5
0,0
72
15
7
0,2
86
27
5
0,2
42
35
3
0,2
58
03
9
0,1
72
28
8
0,2
11
50
3
18.5
0 -
19.0
0
0,3
85
09
8
0,2
26
14
4
0,1
60
78
4
0,1
73
33
3
0,1
07
97
4
0,2
75
29
4
0,1
79
60
8
0,1
65
22
9
0,1
70
98
0,2
19
08
5
19.0
0 -
19.1
0
0,3
87
45
1
0,1
68
62
7
0,1
56
34
0,1
81
17
6
0,0
95
16
3
0,1
65
49
0,2
13
33
3
0,4
56
20
9
0,1
34
90
2
0,1
85
62
1
19.1
0 -
19.2
0
0,3
70
19
6
0,1
73
07
2
0,1
47
71
2
0,1
72
02
6
0,1
29
93
5
0,1
39
86
9
0,1
92
15
7
0,3
51
63
4
0,1
35
68
6
0,2
13
33
3
19.2
0 -
19.3
0
0,3
86
14
4
0,1
64
70
6
0,1
53
20
3
0,1
80
13
1
0,1
30
19
6
0,1
73
59
5
0,2
16
73
2
0,2
49
93
5
0,1
35
68
6
0,1
92
15
7
B-11
Wa
ktu
20
11
_1
20
11
_2
20
12
_1
20
13
_1
20
13
_2
20
14
_1
20
14
_2
20
15
_2
20
16
_1
20
16
_2
19.3
0 -
19.4
0
0,3
80
65
4
0,1
63
92
2
0,1
42
74
5
0,1
65
49
0,0
74
51
0,1
37
51
6
0,2
11
76
5
0,2
24
31
4
0,1
31
50
3
0,2
01
04
6
19.4
0 -
19.5
0
0,3
74
11
8
0,1
61
04
6
0,1
45
35
9
0,1
48
23
5
0,1
06
14
4
0,1
24
96
7
0,2
09
41
2
0,2
15
68
6
0,1
36
73
2
0,2
14
11
8
19.5
0 -
20.0
0
0,3
91
89
5
0,1
58
95
4
0,1
34
11
8
0,1
45
09
8
0,0
56
99
3
0,1
14
77
1
0,2
12
28
8
0,1
70
19
6
0,1
33
07
2
0,1
94
24
8
20.0
0 -
20.1
0
0,3
32
54
9
0,1
32
02
6
0,1
37
51
6
0,1
41
69
9
0,0
48
10
5
0,1
53
46
4
0,1
79
08
5
0,0
48
36
6
0,1
04
57
5
0,1
34
64
1
20.1
0 -
20.2
0
0,3
29
15
0,1
34
37
9
0,1
39
60
8
0,1
33
59
5
0,0
48
36
6
0,1
03
26
8
0,2
01
56
9
0,0
33
46
4
0,0
77
64
7
0,1
63
66
20.2
0 -
20.3
0
0,3
06
66
7
0,1
35
68
6
0,1
27
84
3
0,1
30
45
8
0,0
31
11
1
0,1
21
30
7
0,1
94
24
8
0,0
37
90
8
0,1
06
40
5
0,1
92
94
1
20.3
0 -
20.4
0
0,2
77
64
7
0,1
31
76
5
0,1
12
68
0,1
18
17
0,0
27
97
4
0,1
19
47
7
0,1
90
06
5
0,0
37
38
6
0,0
84
18
3
0,1
63
66
20.4
0 -
20.5
0
0,3
13
98
7
0,1
29
67
3
0,0
95
94
8
0,1
18
95
4
0,0
31
89
5
0,0
99
08
5
0,1
82
22
2
0,0
18
03
9
0,1
03
79
1
0,1
37
51
6
20.5
0 -
0,2
80
0,1
28
0,0
98
0,1
13
0,0
29
0,0
97
0,1
87
0,0
15
0,1
14
0,1
29
15
B-2
Wa
ktu
20
11
_1
20
11
_2
20
12
_1
20
13
_1
20
13
_2
20
14
_1
20
14
_2
20
15
_2
20
16
_1
20
16
_2
21.0
0
78
4
62
7
03
9
20
3
80
4
25
5
71
2
42
5
77
1
C-1
LAMPIRAN C SCRIPT R
Tabel A-3.1 adalah script untuk menjalankan metode K-Nearest
Neighbor pada penelitian ini.
Tabel A-3. 1 Script R
#NORMALISASI
data <- mobil
data <- data[,-1]
maxs <- max(data)
mins <- min(data)
hasilNormalisasi = (data-mins)/(maxs-mins)
#Normalisasi train, test
train <- data.frame(normalisasiMinitruk[1:9])
test <- data.frame(normalisasiMinitruk[,col])
colnames(train)<-
c("2011_1","2011_2","2012_1","2013_1","2013_2","2014_1","20
14_2","2015_2","2016_1")
colnames(test)<-c("2016_2")
#Denormalisasi train, test
trainden <- data[1:9]
testden <- data[10]
#Proses Training dan Testing
result<-array(vector(mode = 'numeric'), c(K, 5))
trainoutputdata<-array(vector(mode = 'numeric'), c(K,
nrow(train)))
testoutputdata<-array(vector(mode = 'numeric'), c(K,
nrow(test)))
dimnames(result)[[2]]<-c("nilai k", "MSEtrain",
"RMSEtrain", “MSEtest”, “RMSEtest”)
C-2
y <- train$`2016_1`
k = 10;
z=0;
for (i in 1:K) {
set.seed(123)
z=z+1;
predtrain <- knn.reg(train, test=NULL, y, k=i)
predtrain_ <- as.numeric(predtrain$pred)
predtest <- knn.reg(test, test=NULL, y, k=i)
predtest_ <- as.numeric(predtest$pred)
#Denormalisasi hasil training dan testing
hasiltrain <- (predtrain_ )*(maxs-mins) + mins
hasiltest <- (predtest_ )*(maxs-mins) + mins
#ERROR Training dan Testing
train_ <- data$`2016_1`
MSEtrain <- sum((train_ - hasiltrain)^2)/nrow(train)
RMSEtrain<- sqrt(MSEtrain)
test_ <- testden
MSEtest <- sum((test_ - hasiltest)^2)/nrow(test)
RMSEtest <- sqrt(MSEtest)
result[z,1] <- i
result[z,2] <- MSEtrain
result[z,3] <- RMSEtrain
result[z,4] <- MSEtest
result[z,5] <- RMSEtest
trainoutputdata[z,] <- hasiltrain
testoutputdata[z,] <- hasiltest
}
C-3
View(result)
View(trainoutputdata)
result20161 <- data.frame(result)
write.xlsx(trainoutputdata, "nilai training minitruk
20161.xls")
errormodelminitruk <- data.frame(result20111, result20112,
result20121, result20131, result20132, result20141,
result20142, result20152, result20161)
write.xlsx(errormodelminitruk, "keseluruhan error training
minitruk.xlsx")
#FORECAST 2017
Input <- data.frame(normalisasiMobil[,2:col])
y <- train$`2012_1`
set.seed(123);
prediksiakhir <- knn.reg(Input, test=NULL, y, k=10)
prediksiakhir_ <- as.numeric(prediksiakhir$pred)
#Denormalisasi hasil peramalan
FORECAST <- (prediksiakhir_)*(maxs-mins) + mins
FORECAST_ <- data.frame(FORECAST)
View(FORECAST_)
write.xlsx (FORECAST_, "FORECAST minitruk
k=10.xlsx")
(halaman ini sengaja dikosongkan)
D-1
LAMPIRAN D ERROR MODEL TRAINING DAN
TESTING
Tabel Tabel D. 1 hingga Tabel D. 8 adalah hasil dari proses
training pada delapan tipe kendaraan. Angka yang diberi warna
merah adalah model terbaik yang dipilih berdasarkan nilai
RMSE terkecil untuk menjadi acuan peramalan.
Tabel D. 1 Error model training data motor
2011-1 2011-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 26066,7
161,5 503428,1
709,5 1 5453,
4 73,8
77984,4
279,3
2 2856
7,6 169,0
4820
14,0 694,3 2
5630,
9 75,0
6865
3,9 262,0
3 31727,0
178,1 463407,6
680,7 3 6151,
2 78,4
63674,2
252,3
4 2907
2,4 170,5
4788
31,6 692,0 4
6707,
5 81,9
6265
2,2 250,3
5 2512
1,6 158,5
4701
06,2 685,6 5
6342,
2 79,6
6151
6,1 248,0
6 3248
1,7 180,2
4652
06,4 682,1 6
7936,
7 89,1
6298
5,1 251,0
7 3621
9,9 190,3
4672
86,8 683,6 7
9264,
7 96,3
6193
0,5 248,9
8 4217
7,6 205,4
4611
52,5 679,1 8
1062
0,4 103,1
6097
1,5 246,9
9 4677
8,8 216,3
4657
01,4 682,4 9
1186
4,7 108,9
6255
0,3 250,1
1
0
4803
9,8 219,2
4674
95,6 683,7
1
0
1270
3,0 112,7
6134
6,7 247,7
2012-1 2013-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 2602,
9 51,0
41799,9
204,5 1 5981,
6 77,3
37259,5
193,0
2 2810,
9 53,0
3361
0,1 183,3 2
5890,
4 76,7
2910
4,7 170,6
3 2745,
1 52,4
31874,4
178,5 3 5919,
5 76,9
27890,3
167,0
4 2685,
3 51,8
3266
1,9 180,7 4
5695,
9 75,5
2872
1,0 169,5
D-2
2012-1 2013-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
5 2988,
3 54,7
32787,4
181,1 5 5775,
7 76,0
28183,3
167,9
6 3332,
5 57,7
3200
2,0 178,9 6
6027,
6 77,6
2767
9,2 166,4
7 3905,
0 62,5
32801,6
181,1 7 6342,
4 79,6
27597,1
166,1
8 4300,
9 65,6
3270
4,3 180,8 8
6878,
4 82,9
2751
8,8 165,9
9 4799,
2 69,3
33603,7
183,3 9 7349,
7 85,7
27910,1
167,1
1
0
5250,
9 72,5
3301
6,7 181,7
1
0
7850,
2 88,6
2848
0,3 168,8
2013-2 2014-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 55629,2
235,9 311567,0
558,2 1 10231,64
101,2 921931,0
960,2
2 5358
6,7 231,5
2459
24,6 495,9 2
1014
9,54 100,7
7765
17,2 881,2
3 56553,6
237,8 173287,8
416,3 3 10469,47
102,3 675983,2
822,2
4 6220
9,5 249,4
1881
23,7 433,7 4
1131
3,95 106,4
7073
82,6 841,1
5 65558,1
256,0 176369,0
420,0 5 11242,26
106,0 687979,0
829,4
6 6917
2,2 263,0
1671
92,4 408,9 6
1327
9,63 115,2
6811
25,9 825,3
7 71959,5
268,3 174701,8
418,0 7 13026,36
114,1 684147,8
827,1
8 7485
4,3 273,6
1972
50,5 444,1 8
1475
9,89 121,5
6697
20,2 818,4
9 75244,4
274,3 200532,8
447,8 9 17528,99
132,4 674356,1
821,2
1
0
7723
4,6 277,9
2189
07,4 467,9
1
0
1904
9,7 138,0
6549
61,5 809,3
2014-2 2015-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 9544,
4 97,7
2748
86,8 524,3 1
1310
2,1 114,5
1850
17,9 430,1
D-3
2014-2 2015-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
2 10072,5
100,4 235878,4
485,7 2 13430,3
115,9 118728,4
344,6
3 1237
7,3 111,3
2195
96,0 468,6 3
1330
2,6 115,3
9829
7,6 313,5
4 13960,7
118,2 225820,5
475,2 4 15665,3
125,2 68250,6
261,2
5 1361
6,8 116,7
2187
18,8 467,7 5
1818
7,4 134,9
6048
5,3 245,9
6 13788,9
117,4 213469,2
462,0 6 18841,4
137,3 59650,6
244,2
7 1401
4,0 118,4
2149
43,0 463,6 7
2337
4,3 152,9
6233
6,3 249,7
8 15610,2
124,9 218136,6
467,1 8 26836,4
163,8 66666,7
258,2
9 1747
7,5 132,2
2212
82,3 470,4 9
3117
7,9 176,6
6381
8,5 252,6
10
17955,2
134,0 230944,7
480,6 10
34243,5
185,1 64885,4
254,7
2016-1
k MSEtrain RMSEtrain MSEtest RMSEtest
1 4191,7 64,7 89748,0 299,6
2 4037,1 63,5 64086,8 253,2
3 4640,8 68,1 51529,9 227,0
4 5398,3 73,5 54321,8 233,1
5 5493,3 74,1 52093,8 228,2
6 5998,4 77,4 48034,5 219,2
7 7196,8 84,8 51400,6 226,7
8 7985,1 89,4 51094,4 226,0
9 9095,1 95,4 53447,1 231,2
10 10260,4 101,3 55296,4 235,2
D-4
Tabel D. 2 Error model training pada data mobil
2011-1 2011-2
k MSEtrain
RMSEtrain
MSEtest
RMSEtest
k MSEtrain
RMSEtrain
MSEtest
RMSEtest
1 1355,
135
36,812
16
4405
6,67
209,8
968 1
1956,
563
44,233
05
3962
8,34
199,0
687
2 1538,055
39,21804
39946,96
199,8674
2 1645,219
40,5613
32340,3
179,8341
3 1840,
907
42,905
8
3730
9,66
193,1
571 3
1602,
714
40,033
91
3116
5,56
176,5
377
4 1958,069
44,25007
39185,65
197,9536
4 1826,464
42,73714
31354,43
177,0718
5 2209,
416
47,004
42
3837
3,37
195,8
912 5
2194,
322
46,843
59
3105
3,65
176,2
205
6 2502,113
50,02112
38107,75
195,2121
6 2313,759
48,10155
30832,32
175,5914
7 2805,
907
52,970
82
3745
6,06
193,5
357 7
2518,
838
50,188
03
2992
2,84
172,9
822
8 3253,094
57,0359
37051,12
192,4867
8 2789,175
52,81264
29726,1
172,4126
9 3225,
766
56,795
83
3613
0,79
190,0
81 9
2827,
253
53,171
92
2990
4,26
172,9
285
1
0
3072,
271
55,428
07
3593
1,17
189,5
552
1
0
2861,
975
53,497
43
2929
5,54
171,1
594
2012-1 2013-1
k MSEtrain
RMSEtrain
MSEtest
RMSEtest
k MSEtrain
RMSEtrain
MSEtest
RMSEtest
1 3086,
656
55,557
68
1717
1,85
131,0
414 1
1434,
188
37,870
67
1682
6,4
129,7
166
2 2602,503
51,01473
12999,59
114,0158
2 1250,826
35,36701
15342,95
123,8666
3 2659,
397
51,569
34
1117
1,35
105,6
946 3
1072,
681
32,751
8
1441
4,1
120,0
587
4 3276,287
57,23886
11303,98
106,3202
4 1156,292
34,0043
14050,37
118,5342
5 3852,
381
62,067
55
1142
8,23
106,9
029 5
1368,
243
36,989
76
1370
2,53
117,0
578
6 4116,831
64,16253
10383,03
101,8
972 6
1521,784
39,01004
12842,3
113,3239
7 4428,
748
66,548
84
1070
7,46
103,4
768 7
1695,
364
41,174
8
1309
4,26
114,4
302
8 4902,068
70,01477
11027,7
105,0129
8 1834,838
42,83501
13313,9
115,3859
9 5129,
955
71,623
7
1114
6,85
105,5
786 9
1916,
063
43,772
86
1271
4,24
112,7
574
D-5
2012-1 2013-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
10
5310,856
72,87562
11258,05
106,104
10
1985,819
44,56253
12701,17
112,6995
2013-2 2014-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 1519
90,1
389,85
91
1486
57,8
385,5
617
1 4836,
135
69,542
33
9409
20,8
970,0
107
2 1776
54,4
421,49
07
1756
14
419,0
632
2 5943,
378
77,093
3
8792
81,6
937,7
002
3 1966
47,6
443,44
97
1934
78,8
439,8
623
3 4723,
655
68,728
85
8776
85,6
936,8
488
4 209547,8
457,7639
143329,3
378,5885
4 4762,101
69,00798
866812,2
931,0275
5 2173
98,1
466,25
97
1244
42,6
352,7
642
5 5203,
123
72,132
67
8529
89
923,5
74
6 223264,5
472,5087
117793,7
343,2109
6 5727,315
75,67902
844053,8
918,724
7 2283
57,1
477,86
72
1513
12,5
388,9
891
7 6273,
506
79,205
47
8575
68,6
926,0
5
8 233057,7
482,7605
141225,8
375,8003
8 6023,355
77,61027
850242,9
922,0861
9 2371
15,5
486,94
51
1336
21,3
365,5
425
9 6510,
114
80,685
28
8379
30,4
915,3
854
10
239538,2
489,4264
133264,8
365,0546
10
7212,199
84,92467
843153,8
918,2341
2014-2 2015-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 1652,
01
40,644
93
1997
6,11
141,3
369 1
6833,
104
82,662
59
1229
62
350,6
594
2 1283,
216
35,822
01
1728
6,32
131,4
775 2
6275,
992
79,221
16
8745
0,95
295,7
211
3 1041,
48
32,271
97
1708
1,4
130,6
958 3
6841,
881
82,715
66
8458
8,1
290,8
403
4 1083,
643
32,918
73
1773
3,79
133,1
683 4
6549,
333
80,927
95
7257
7,85
269,4
028
D-6
2014-2 2015-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
5 1275,554
35,7149
17829,96
133,5289
5 7074,
01 84,107
13 68506,7
261,7378
6 1309,
919
36,192
81
1778
1,51
133,3
473 6
7432,
924
86,214
4
6439
8,56
253,7
687
7 1451,036
38,09247
17535,9
132,4232
7 9023,568
94,99246
60166,57
245,2887
8 1566,
492
39,578
94
1765
1,09
132,8
574 8
9414,
781
97,029
79
6116
2,06
247,3
096
9 1603,174
40,03966
17779,95
133,3415
9 10665,4
103,2734
60990,57
246,9627
1
0
1655,
465
40,687
4
1790
0,16
133,7
915
1
0
1192
6,66
109,20
93
6059
3,5
246,1
575
2016-1
k MSEtrain RMSEtrain MSEtest RMSEtest
1 3054,896 55,27111 73327,58 270,7907
2 2991,523 54,69482 62071,33 249,1412
3 2962,314 54,42714 60804,55 246,5858
4 3171,711 56,31795 60819,84 246,6168
5 3514,466 59,28293 59376,06 243,672
6 3815,454 61,76936 59098,89 243,1026
7 4153,475 64,44746 59941,64 244,8298
8 4269,235 65,33938 59471,68 243,8682
9 4652,133 68,20654 59284,5 243,4841
10 5082,414 71,29105 58362,83 241,584
Tabel D. 3 Error model training pada data angkot
2011-1 2011-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 5,114583
2,261544
151,9896
12,32841
1 5,208333
2,282177
43,71875
6,612016
2 3,880
208
1,9698
24
160,7
135
12,67
728 2
4,554
688
2,1341
71
23,33
333
4,830
459
D-7
2011-1 2011-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
3 3,016204
1,736722
168,2604
12,97152
3 4,740741
2,177324
22,07639
4,698552
4 2,940
755
1,7148
63
157,4
824
12,54
92 4
4,881
51
2,2094
14
21,17
188
4,601
291
5 3,187917
1,785474
157,6846
12,55725
5 4,778
75 2,1860
35 18,46833
4,29748
6 3,631
944
1,9057
66
143,5
165
11,97
984 6
4,817
13
2,1947
96
18,16
84
4,262
441
7 4,557823
2,134906
143,3369
11,97234
7 4,885629
2,210346
17,35204
4,165578
8 6,068
197
2,4633
71
147,1
04
12,12
864 8
4,895
996
2,2126
9
18,54
248
4,306
098
9 7,400592
2,720403
135,9946
11,66167
9 5,142876
2,267791
18,33822
4,282315
1
0
8,548
75
2,9238
25
140,4
685
11,85
194
1
0 5,535
2,3526
58
17,63
75
4,199
702
2012-1 2013-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 11,33
333
3,3665
02
22,01
042
4,691
526 1
4,916
667
2,2173
56
15,93
75
3,992
18
2 4,919
271
2,2179
43
26,08
854
5,107
694 2
3,791
667
1,9472
2
12,73
438
3,568
526
3 5,861
111
2,4209
73
31,51
968
5,614
239 3
3,621
528
1,9030
31
15,32
87
3,915
189
4 4,576
172
2,1391
99
33,28
385
5,769
216 4
3,666
016
1,9146
84
19,28
646
4,391
635
5 5,289
167
2,2998
19
30,30
25
5,504
771 5
3,521
25
1,8764
99
17,03
667
4,127
55
6 5,470
775
2,3389
69
32,52
922
5,703
44 6
3,565
394
1,8882
25
18,07
147
4,251
055
7 5,433
461
2,3309
79
26,08
716
5,107
559 7
3,613
095
1,9008
14
15,91
008
3,988
744
8 5,805664
2,409495
26,11491
5,110275
8 3,688639
1,920583
14,9904
3,871743
9 5,958
462
2,4409
96
24,42
104
4,941
765 9
3,796
939
1,9485
74
14,38
915
3,793
303
10
6,388333
2,527515
21,63833
4,651702
10
4,014583
2,003643
14,39229
3,793717
D-8
2013-2 2014-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 11,40625
3,377314
38,54167
6,208194
1 4,864583
2,20558
35,09375
5,923998
2 13,96
094
3,7364
34
42,91
927
6,551
28 2
4,200
521
2,0495
17
22,16
667
4,708
149
3 14,60
88 3,8221
46 94,64236
9,728431
3 3,703704
1,924501
20,02431
4,474853
4 17,29
557
4,1587
95
72,90
56
8,538
478 4
3,275
391
1,8098
04
16,80
599
4,099
511
5 19,03792
4,363246
56,98833
7,549062
5 3,348333
1,829845
16,97125
4,119618
6 18,86
082
4,3429
05
53,30
556
7,301
065 6
3,028
356
1,7402
17
16,16
059
4,020
024
7 17,20387
4,147755
38,87521
6,234999
7 3,275
51 1,8098
37 15,57589
3,946631
8 17,67
041
4,2036
19
37,40
723
6,116
145 8
3,239
583
1,7998
84
15,30
436
3,912
079
9 18,19599
4,265676
34,55684
5,878507
9 3,256173
1,804487
14,57292
3,817449
1
0
19,06
083
4,3658
71
34,04
365
5,834
693
1
0
3,176
25
1,7822
04
14,84
198
3,852
529
2014-2 2015-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 5,875 2,4238
4
16,28
125
4,035
003 1
4,916
667
2,2173
56
15,03
125
3,877
016
2 4,875 2,2079
4
21,94
01
4,684
026 2
4,096
354
2,0239
45
18,99
219
4,358
003
3 4,813
657
2,1940
05
18,48
958
4,299
952 3
3,483
796
1,8664
93
14,86
806
3,855
912
4 4,972
005
2,2297
99
18,07
031
4,250
919 4
3,499
349
1,8706
55
11,32
422
3,365
148
5 4,757
5
2,1811
69
17,18
208
4,145
128 5
3,535
417
1,8802
7
9,610
833
3,100
134
6 4,985532
2,232831
17,85532
4,225556
6 3,742188
1,934473
9,399884
3,065923
7 5,335
672
2,3099
07
17,78
465
4,217
185 7
3,974
702
1,9936
66
8,633
503
2,938
282
8 5,083659
2,254697
18,8151
4,337638
8 4,006348
2,001586
8,880046
2,979941
9 5,465
792
2,3379
03
18,33
243
4,281
639 9
4,138
889
2,0344
26
7,843
107
2,800
555
10
5,4525
2,335059
18,34406
4,282997
10
4,549896
2,133048
7,994271
2,827414
D-9
2016-1
k MSEtrain RMSEtrain MSEtest RMSEtest
1 5,5 2,345208 27,13542 5,209167
2 4,242188 2,059657 19,29167 4,392228
3 5,032407 2,243303 14,62384 3,824113
4 5,386719 2,320931 11,36849 3,371719
5 5,06 2,249444 6,567917 2,562795
6 5,551505 2,356163 7,042824 2,653832
7 5,705782 2,388678 7,058673 2,656816
8 5,969889 2,443336 7,598958 2,756621
9 6,27302 2,5046 7,037551 2,652838
10 6,391146 2,528072 6,434896 2,53671
Tabel D. 4 Error model training pada data taksi
2011-1 2011-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 7,677
083
2,7707
55
86,28
125
9,288
77 1 26
5,0990
2
71,76
042
8,471
152
2 7,203
125
2,6838
64
78,24
219
8,845
461 2
18,39
063
4,2884
29
88,17
188
9,389
988
3 6,866
898
2,6204
77
85,73
38
9,259
255 3
20,32
523
4,5083
51
91,26
968
9,553
516
4 6,937
5
2,6339
13
81,07
096
9,003
942 4
17,97
786
4,2400
31
96,88
346
9,842
94
5 7,064583
2,657928
80,15458
8,952909
5 19,65
25 4,4331
14 94,98667
9,74611
6 7,114
873
2,6673
72
77,12
037
8,781
82 6
19,92
159
4,4633
6
95,29
485
9,761
908
7 7,776148
2,788575
78,99766
8,888063
7 19,76233
4,445484
98,45918
9,92266
8 7,940
104
2,8178
19
79,07
503
8,892
414 8
19,86
1
4,4565
68
96,21
745
9,809
049
D-10
2011-1 2011-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
9 8,142233
2,85346
79,41152
8,911314
9 20,58063
4,536588
94,48174
9,720172
1
0
8,188
646
2,8615
81
79,40
635
8,911
024
1
0
21,62
24
4,6499
89
92,31
552
9,608
097
2012-1 2013-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 23,61458
4,859484
185,9688
13,63704
1 21,95833
4,685972
31,77083
5,636562
2 15,47
656
3,9340
26
54,12
76
7,357
146 2
14,21
875
3,7707
76
20,16
146 4,490
151
3 12,34259
3,513203
48,94329
6,995948
3 13,61806
3,690265
31,39699
5,603302
4 13,06
445
3,6144
78
41,58
984
6,449
019 4
13,99
154
3,7405
26
27,13
672
5,209
292
5 14,78083
3,844585
43,07708
6,563313
5 15,15792
3,893317
27,07208
5,203084
6 15,51
62
3,9390
61
43,41
725
6,589
176 6
15,18
808
3,8971
89
25,78
848
5,078
236
7 15,10565
3,886599
29,49532
5,43096
7 15,12202
3,888705
23,59885
4,857865
8 15,45
247
3,9309
63
27,13
216
5,208
854 8
14,94
645
3,8660
64
21,66
781
4,654
869
9 16,43827
4,054414
29,38555
5,420844
9 14,53228
3,812123
21,42284
4,628481
1
0
17,81
26
4,2204
98
26,85
948
5,182
613
1
0
14,91
729
3,8622
91
20,75
365
4,555
617
2013-2 2014-1
k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 131,8
958
11,484
59
1742,
708
41,74
576 1
17,76
042
4,2143
11
71,46
875
8,453
919
2 149,3
203
12,219
67
1725,
516
41,53
933 2
17,42
188
4,1739
52
90,76
042
9,526
826
3 161,5
208
12,709
08
1589,
326
39,86
636 3
17,56
134
4,1906
26
87,30
44
9,343
682
4 182,4
941
13,509
04
1442,
074
37,97
465 4
18,00
521
4,2432
54
67,25
586
8,200
967
5 207,9
138
14,419
21
1303,
437
36,10
315 5
18,62
375
4,3155
24
68,58
292
8,281
48
D-11
2013-2 2014-1
k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
6 235,1565
15,33481
1277,749
35,74561
6 19,80584
4,450376
62,47193
7,903919
7 259,2
43
16,101
02
1155,
603
33,99
416 7
19,13
542
4,3744
05
68,51
892
8,277
616
8 277,8234
16,66804
1162,141
34,09019
8 18,94157
4,352191
72,03988
8,487631
9 292,5
422
17,103
86
1134,
689
33,68
514 9
18,70
409
4,3248
22
76,45
062
8,743
604
10
305,4936
17,47838
1136,571
33,71307
10
18,8199
4,33819
77,73906
8,816976
2014-2 2015-2
k MSEtrain
RMSEtrain
MSEtest
RMSEtest
k MSEtrain
RMSEtrain
MSEtest
RMSEtest
1 34 5,8309
52
746,1
875
27,31
643 1
35,73
958
5,9782
59
1501,
604
38,75
054
2 25,50521
5,050268
639,224
25,28288
2 24,25521
4,924958
1193,219
34,543
3 27,03
125
5,1991
59
604,1
076
24,57
86 3
24,89
236
4,9892
24
1132,
086
33,64
648
4 22,39648
4,732492
622,7747
24,95546
4 28,29753
5,319542
966,099
31,08213
5 24,15
667
4,9149
43
652,1
642
25,53
751 5
26,32
875
5,1311
55
977,3
996
31,26
339
6 23,31944
4,829021
669,9158
25,88273
6 27,75955
5,268733
1010,473
31,78793
7 25,54
826
5,0545
28
653,2
568
25,55
889 7
28,46
322
5,3350
94
970,1
112
31,14
661
8 26,18669
5,117293
654,1131
25,57564
8 31,04606
5,571899
1004,153
31,68837
9 26,48
174
5,1460
41
655,0
606
25,59
415 9
35,98
997
5,9991
64
1040,
575
32,25
794
10
26,9174
5,188198
661,3897
25,7175
10
34,83406
5,902039
999,91
31,62135
2016-1
k MSEtrain RMSEtrain MSEtest RMSEtest
1 14,67708 3,831068 126,7604 11,25879
D-12
2016-1
k MSEtrain RMSEtrain MSEtest RMSEtest
2 10,24219 3,200342 137,7031 11,7347
3 10,44097 3,231249 148,9167 12,20314
4 10,88281 3,298911 147,1003 12,12849
5 10,77667 3,282783 139,04 11,79152
6 11,29803 3,361255 134,5136 11,598
7 12,14073 3,484355 131,5663 11,47024
8 12,92139 3,594633 127,1854 11,27765
9 14,21155 3,769821 127,1246 11,27496
10 14,21896 3,770803 130,3074 11,41523
Tabel D. 5 Error model training pada data bus besar
2011-1 2011-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 0,364583
0,603807
1,375 1,172604
1 0,364583
0,603807
3,53125
1,879162
2 0,283
854
0,5327
8
1,304
688 1,142
229 2
0,265
625
0,5153
88
2,763
021
1,662
234
3 0,288194
0,536837
1,575231
1,255082
3 0,292824
0,541132
2,226852
1,492264
4 0,283
854
0,5327
8
1,632
161
1,277
561 4
0,271
484
0,5210
42
1,676
432
1,294
771
5 0,262917
0,512754
1,913333
1,383233
5 0,284167
0,533073
1,72375
1,312917
6 0,285
012
0,5338
65
1,892
361
1,375
631 6
0,288
773
0,5373
76
1,795
139
1,339
828
7 0,280187
0,529327
1,971088
1,403955
7 0,307185
0,554243
2,038903
1,427902
8 0,290
527
0,5390
06
1,883
626
1,372
453 8
0,314
29
0,5606
16
1,770
671
1,330
665
9 0,310571
0,557289
1,983539
1,408382
9 0,326775
0,571642
1,728652
1,314782
1
0
0,333
854
0,5778
01
2,103
125
1,450
216
1
0
0,352
396
0,5936
29
1,839
688
1,356
351
D-13
2012-1 2013-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 0,614583
0,783954
2,447917
1,564582
1 0,291667
0,540062
1,989583
1,410526
2 0,466
146
0,6827
49
2,945
313
1,716
191 2
0,169
271
0,4114
25
3,057
292
1,748
511
3 0,371528
0,609531
2,908565
1,705451
3 0,209491
0,457702
3,140046
1,772018
4 0,339
193
0,5824
03
2,768
229
1,663
8 4
0,223
958
0,4732
42
2,888
021
1,699
418
5 0,337917
0,581306
2,7075
1,645448
5 0,224583
0,473902
3,108333
1,763047
6 0,323
495
0,5687
67
2,906
829
1,704
942 6
0,225
984
0,4753
78
3,210
359
1,791
747
7 0,319728
0,565445
2,866709
1,693136
7 0,220663
0,469748
3,144983
1,77341
8 0,333
171
0,5772
09
2,631
348
1,622
143 8
0,221
842
0,4710
02
2,942
057
1,715
243
9 0,329733
0,574223
2,733796
1,65342
9 0,228138
0,477638
3,033565
1,741713
1
0
0,322
188
0,5676
16
2,818
125
1,678
727
1
0
0,233
646
0,4833
69
2,943
021
1,715
523
2013-2 2014-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 0,354
167
0,5951
19
4,281
25
2,069
118 1
0,239
583
0,4894
73 3,875
1,968
502
2 0,307
292
0,5543
39
4,630
208
2,151
792 2
0,229
167
0,4787
14
4,080
729
2,020
081
3 0,295
139
0,5432
67
3,877
315
1,969
09 3
0,208
333
0,4564
35
3,519
676
1,876
08
4 0,314
453
0,5607
61
3,672
526
1,916
384 4
0,205
078
0,4528
56
3,881
51
1,970
155
5 0,302
5 0,55
3,691
25
1,921
263 5
0,227
917
0,4774
06
3,806
25
1,950
961
6 0,327836
0,572569
3,924769
1,981103
6 0,219907
0,468943
3,644676
1,909103
7 0,318
878
0,5646
92
3,798
257
1,948
912 7
0,231
293
0,4809
29
3,654
124
1,911
576
8 0,360677
0,600564
3,894368
1,973415
8 0,234049
0,483787
3,748047
1,935987
D-14
2013-2 2014-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
9 0,365869
0,604871
3,847222
1,961434
9 0,240741
0,490653
3,678884
1,918042
1
0
0,386
042
0,6213
23
3,810
104
1,951
949
1
0
0,245
521
0,4955
01
3,434
375
1,853
207
2014-2 2015-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 0,364583
0,603807
2,21875
1,489547
1 0,333333
0,57735
2,989583
1,729041
2 0,257
813
0,5077
52
2,044
271
1,429
78 2
0,289
063
0,5376
45
3,825
521
1,955
894
3 0,216
435
0,4652
26
2,246
528
1,498
842 3
0,270
833
0,5204
16
4,084
491
2,021
012
4 0,212
24
0,4606
95
2,518
88
1,587
098 4
0,240
234
0,4901
37
3,706
38
1,925
196
5 0,213
75
0,4623
31
2,089
583
1,445
539 5
0,232
083
0,4817
5
3,611
667
1,900
439
6 0,214
12
0,4627
31
2,285
012
1,511
625 6
0,226
852
0,4762
9
3,763
889
1,940
074
7 0,232
143
0,4818
12
2,323
342
1,524
251 7
0,219
388
0,4683
88
3,728
954
1,931
05
8 0,232
747
0,4824
39
2,436
686
1,560
989 8
0,216
634
0,4654
4
3,592
773
1,895
461
9 0,241
641
0,4915
7
2,408
436
1,551
914 9
0,231
739
0,4813
92
3,404
192
1,845
045
1
0
0,247
083
0,4970
75
2,336
563
1,528
582
1
0
0,232
708
0,4823
99
3,444
063
1,855
819
2016-1
k MSEtrain RMSEtrain MSEtest RMSEtest
1 0,364583 0,603807 2,989583 1,729041
2 0,255208 0,505181 3,861979 1,965192
3 0,247685 0,49768 3,565972 1,888378
4 0,235677 0,485466 3,505859 1,872394
5 0,232917 0,482614 3,59125 1,895059
6 0,237558 0,487399 3,418113 1,848814
D-15
2016-1
k MSEtrain RMSEtrain MSEtest RMSEtest
7 0,226403 0,475818 3,480017 1,86548
8 0,221029 0,470137 3,498047 1,870307
9 0,225694 0,475073 3,367541 1,835086
10 0,236458 0,48627 3,4075 1,845941
Tabel D. 6 Error model training pada data bus mini
2011-1 2011-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 0,114583
0,338502
4,28125
2,069118
1 0,239583
0,489473
4,0625
2,015564
2 0,101
563
0,3186
89
3,661
458
1,913
494 2
0,210
938
0,4592
79
4,062
5
2,015
564
3 0,100694
0,317324
3,635417
1,906677
3 0,203704
0,451335
3,929398
1,982271
4 0,106
771
0,3267
58
3,648
438
1,910
088 4
0,208
333
0,4564
35
3,957
682
1,989
392
5 0,124167
0,352373
3,657917
1,912568
5 0,21 0,4582
58 3,861
25 1,965006
6 0,149
306
0,3864
01
3,752
894
1,937
239 6
0,217
014
0,4658
47
3,744
213
1,934
997
7 0,154124
0,392586
3,778912
1,943942
7 0,230655
0,480265
3,360544
1,833179
8 0,167
155
0,4088
46
3,801
758
1,949
81 8
0,229
167
0,4787
14
3,425
13
1,850
711
9 0,172068
0,414811
3,918724
1,979577
9 0,239583
0,489473
3,225694
1,796022
1
0
0,180
833
0,4252
45
3,880
104
1,969
798
1
0
0,237
604
0,4874
47
3,303
333
1,817
507
2012-1 2013-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 0,312
5 0,5590
17 5,677083
2,382663
1 0,270833
0,520416
3,927083
1,981687
D-16
2012-1 2013-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
2 0,236979
0,486805
5,190104
2,27818
2 0,132813
0,364434
3,981771
1,995438
3 0,247
685
0,4976
8
4,089
12
2,022
157 3
0,113
426
0,3367
88
4,027
778
2,006
932
4 0,223307
0,472554
4,104167
2,025874
4 0,127604
0,357217
4,029297
2,007311
5 0,186
25
0,4315
67 4,255
2,062
765 5
0,167
917
0,4097
76
3,846
667
1,961
292
6 0,183738
0,428647
4,034722
2,008662
6 0,193287
0,439644
3,911169
1,977668
7 0,204
082
0,4517
54
3,440
051
1,854
737 7
0,222
364
0,4715
55
3,525
298
1,877
578
8 0,234701
0,484459
3,06543
1,750837
8 0,243815
0,493776
3,027344
1,739926
9 0,276
878
0,5261
92
2,964
892
1,721
886 9
0,258
102
0,5080
37
2,803
498
1,674
365
10
0,301563
0,549147
2,930521
1,711876
10
0,26875
0,518411
2,839792
1,685168
2013-2 2014-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 0,208
333
0,4564
35
2,645
833 1,626
602 1
0,208
333
0,4564
35
4,062
5
2,015
564
2 0,187
5
0,4330
13
2,820
313
1,679
379 2
0,148
438
0,3852
76
4,117
188
2,029
085
3 0,219
907
0,4689
43
3,166
667
1,779
513 3
0,142
361
0,3773
08
4,086
806
2,021
585
4 0,240
234
0,4901
37
3,351
563
1,830
727 4
0,141
276
0,3758
67
4,076
172
2,018
953
5 0,255 0,5049
75 3,475
1,864
135 5
0,132
083
0,3634
33
4,071
25
2,017
734
6 0,275
174
0,5245
7
3,562
5
1,887
459 6
0,133
681
0,3656
24
4,068
576
2,017
071
7 0,296769
0,544765
3,58716
1,89398
7 0,138
18 0,3717
26 3,871811
1,967692
8 0,318
197
0,5640
89
3,530
924
1,879
075 8
0,144
368
0,3799
59
3,894
368
1,973
415
9 0,336034
0,579684
3,578189
1,89161
9 0,141718
0,376455
3,861883
1,965167
1
0 0,355
0,5958
19
3,501
25
1,871
163
1
0
0,137
083
0,3702
48
3,830
938
1,957
278
D-17
2014-2 2015-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 7,791667
2,791356
3,604167
1,898464
1 0,239583
0,489473
4,28125
2,069118
2 8,065
104
2,8399
13
3,583
333
1,892
969 2
0,239
583
0,4894
73
3,937
5
1,984
313
3 8,331019
2,88635
3,746528
1,935595
3 0,239583
0,489473
3,513889
1,874537
4 8,481
771
2,9123
48
3,854
167
1,963
203 4
0,242
188
0,4921
25
3,492
839
1,868
914
5 8,581667
2,929448
3,355833
1,831893
5 0,238
75 0,4886
21 3,52
1,876166
6 8,647
569
2,9406
75
3,491
609
1,868
585 6
0,252
315
0,5023
09
3,575
81
1,890
981
7 8,700043
2,949583
3,549107
1,883907
7 0,260417
0,51031
3,616284
1,901653
8 8,738
77
2,9561
41
3,596
842
1,896
534 8
0,257
487
0,5074
32
3,559
896
1,886
769
9 8,760545
2,959822
3,663323
1,913981
9 0,274691
0,52411
3,635417
1,906677
1
0
8,789
792
2,9647
58
3,796
979
1,948
584
1
0
0,290
417
0,5389
03
3,684
167
1,919
418
2016-1
k MSEtrain RMSEtrain MSEtest RMSEtest
1 0,197917 0,444878 5,489583 2,342986
2 0,138021 0,371512 3,265625 1,807104
3 0,148148 0,3849 3,247685 1,802134
4 0,165365 0,40665 3,261719 1,806023
5 0,170417 0,412816 3,28375 1,812112
6 0,16088 0,401098 3,35272 1,831043
7 0,165391 0,406683 3,259354 1,805368
8 0,182129 0,426766 3,268392 1,807869
9 0,188786 0,434495 3,141847 1,772526
10 0,210313 0,458598 3,028542 1,740271
D-18
Tabel D. 7 Error model training pada data mini truk
2011-1 2011-2
k MSEtrain
RMSEtrain
MSEtest
RMSEtest
k MSEtrain
RMSEtrain
MSEtest
RMSEtest
1 0 0 6,25 2,5 1 0,802
083
0,8955
91
6,437
5
2,537
223
2 0 0 6,25 2,5 2 0,684896
0,827584
6,302083
2,510395
3 0 0 6,25 2,5 3 0,689
815
0,8305
51
6,809
028
2,609
411
4 0 0 6,25 2,5 4 0,763672
0,873883
7,587891
2,754613
5 0 0 6,25 2,5 5 0,801
25
0,8951
26
8,724
167
2,953
67
6 0 0 6,25 2,5 6 0,911458
0,954703
11,06887
3,32699
7 0 0 6,25 2,5 7 0,991
284
0,9956
32
14,20
876
3,769
451
8 0 0 6,25 2,5 8 1,041992
1,02078
13,31868
3,649477
9 0 0 6,25 2,5 9 1,097
865
1,0477
91
13,82
767
3,718
558
1
0 0 0 6,25 2,5
1
0
1,173
125
1,0831
09
12,02
938
3,468
339
2012-1 2013-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 0,552
083
0,7430
23
6,520
833
2,553
592 1
0,614
583
0,7839
54
7,218
75
2,686
773
2 0,609
375
0,7806
25
5,117
188
2,262
12 2
0,510
417
0,7144
35
4,953
125
2,225
562
3 0,593
75
0,7705
52
4,626
157
2,150
85 3
0,512
731
0,7160
53
4,890
046
2,211
345
4 0,540
365
0,7350
95
4,703
125
2,168
669 4
0,462
24
0,6798
82
4,726
563
2,174
066
5 0,592
917
0,7700
11
5,139
167
2,266
973 5
0,458
333
0,6770
03
4,802
5
2,191
461
6 0,607
35
0,7793
26
5,092
593
2,256
677 6
0,499
421
0,7066
97
4,802
083
2,191
366
7 0,618
622
0,7865
26
5,074
405
2,252
644 7
0,491
709
0,7012
2
4,951
531
2,225
203
8 0,667
643
0,8170
94
4,980
469
2,231
696 8
0,498
698
0,7061
85
4,947
266
2,224
245
9 0,669
624
0,8183
06
4,915
766
2,217
153 9
0,519
419
0,7207
07
4,809
542
2,193
067
D-19
2012-1 2013-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
10
0,694271
0,833229
4,947917
2,224391
10
0,555521
0,745333
4,819375
2,195307
2013-2 2014-1
k MSEtrain
RMSEtrain
MSEtest
RMSEtest
k MSEtrain
RMSEtrain
MSEtest
RMSEtest
1 0,666
667
0,8164
97
6,541
667
2,557
668 1 0 0 6,25 2,5
2 0,591146
0,76886
5,739583
2,395743
2 0 0 6,25 2,5
3 0,576
389
0,7592
03
6,540
509
2,557
442 3 0 0 6,25 2,5
4 0,643
229
0,8020
16
6,261
719
2,502
343 4 0 0 6,25 2,5
5 0,66 0,8124
04
6,097
5
2,469
312 5 0 0 6,25 2,5
6 0,733
796
0,8566
19
5,902
488
2,429
504 6 0 0 6,25 2,5
7 0,750
638
0,8663
94
6,027
849
2,455
168 7 0 0 6,25 2,5
8 0,783
854
0,8853
55
5,892
09
2,427
363 8 0 0 6,25 2,5
9 0,754
115
0,8683
98
5,972
351
2,443
839 9 0 0 6,25 2,5
1
0
0,827
708
0,9097
85
6,043
229
2,458
298
1
0 0 0 6,25 2,5
2014-2 2015-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 1,364583
1,168154
50,05208
7,07475
1 1,739583
1,318933
15,65625
3,956798
2 0,854
167
0,9242
11
36,17
969
6,014
955 2
1,536
458
1,2395
4
25,87
5
5,086
747
3 0,996528
0,998262
38,28704
6,187652
3 1,423611
1,193152
16,85417
4,105383
4 1,024
089
1,0119
73
38,75
456
6,225
316 4
1,688
802
1,2995
39
11,77
083
3,430
865
5 1,263333
1,123981
43,57333
6,60101
5 1,681
25 1,2966
3 11,63
75 3,411378
D-20
2014-2 2015-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
6 1,381366
1,175315
49,36198
7,025808
6 1,628183
1,276003
9,531829
3,087366
7 1,421
344
1,1922
01
52,97
088
7,278
109 7
1,584
184
1,2586
44
10,89
775
3,301
174
8 1,473796
1,214 51,63916
7,186039
8 1,747396
1,321891
14,09326
3,754099
9 1,638
503
1,2800
4
51,20
1
7,155
488 9
1,850
952
1,3604
97
14,87
577
3,856
912
10
1,688333
1,299359
54,51229
7,383244
10
1,982396
1,407976
14,98083
3,870508
2016-1
k MSEtrain RMSEtrain MSEtest RMSEtest
1 0,375 0,612372 5,65625 2,378287
2 0,270833 0,520416 5,541667 2,354074
3 0,359954 0,599961 5,413194 2,326627
4 0,385417 0,620819 5,338542 2,310528
5 0,365417 0,604497 5,405833 2,325045
6 0,371238 0,609293 5,519097 2,349276
7 0,373299 0,610982 5,487457 2,342532
8 0,385254 0,620688 5,468913 2,338571
9 0,379244 0,615828 5,40715 2,325328
10 0,382813 0,618718 5,404375 2,324731
Tabel D. 8 Error model training pada data truk 2 SB
2011-1 2011-2
k MSEtrain
RMSEtrain
MSEtest
RMSEtest
k MSEtrain
RMSEtrain
MSEtest
RMSEtest
1 0,177
083
0,4208
13
1,656
25
1,286
954 1
0,187
5
0,4330
13
0,781
25
0,883
883
2 0,164063
0,405046
2,489583
1,577841
2 0,158854
0,398565
0,833333
0,912871
3 0,137
731
0,3711
22
2,841
435
1,685
656 3
0,157
407
0,3967
46
0,873
843
0,934
795
D-21
2011-1 2011-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
4 0,150391
0,387802
2,489583
1,577841
4 0,121094
0,347985
0,755208
0,869027
5 0,15 0,3872
98
2,296
25
1,515
338 5
0,127
083
0,3564
87
0,751
25
0,866
747
6 0,164063
0,405046
2,489583
1,577841
6 0,123264
0,35109
0,798611
0,89365
7 0,182
398
0,4270
81
2,091
624
1,446
245 7
0,127
338
0,3568
45
0,816
964
0,903
861
8 0,193522
0,439912
1,982422
1,407985
8 0,147298
0,383794
0,799479
0,894136
9 0,209
491
0,4577
02
1,941
744
1,393
465 9
0,167
567
0,4093
49
0,788
194
0,887
803
10
0,218854
0,467819
1,91 1,382027
10
0,177917
0,421802
0,80375
0,896521
2012-1 2013-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 0,052
083
0,2282
18
0,989
583
0,994
778 1
0,083
333
0,2886
75
0,989
583
0,994
778
2 0,031
25
0,1767
77
0,989
583
0,994
778 2
0,085
938
0,2931
51
0,989
583
0,994
778
3 0,041
667
0,2041
24
0,989
583
0,994
778 3
0,087
963
0,2965
86
0,989
583
0,994
778
4 0,045
573
0,2134
78
0,989
583
0,994
778 4
0,095
703
0,3093
59
0,924
479
0,961
498
5 0,048
75
0,2207
94
0,989
583
0,994
778 5
0,092
917
0,3048
22
0,937
083
0,968
031
6 0,051
505
0,2269
46
0,989
583
0,994
778 6
0,090
278
0,3004
63
0,945
602
0,972
421
7 0,048
469
0,2201
58
0,989
583
0,994
778 7
0,093
537
0,3058
39
0,951
743
0,975
573
8 0,050
293
0,2242
61 1 1 8
0,087
402
0,2956
39
0,966
797
0,983
258
9 0,050412
0,224525
0,997814
0,998906
9 0,083462
0,288898
0,968236
0,98399
1
0
0,049
375
0,2222
05
0,996
25
0,998
123
1
0
0,084
583
0,2908
32
0,969
583
0,984
674
D-22
2013-2 2014-1
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 0,25 0,5 0,989583
0,994778
1 0 0 0,989583
0,994778
2 0,203
125
0,4506
94
1,156
25
1,075
291 2 0 0
0,989
583
0,994
778
3 0,208333
0,456435
1,063657
1,031338
3 0 0 0,989583
0,994778
4 0,221
354
0,4704
83
0,690
104
0,830
725 4 0 0
0,989
583
0,994
778
5 0,235417
0,485198
0,69125
0,831414
5 0 0 0,989583
0,994778
6 0,256
944
0,5068
97
0,631
944
0,794
949 6 0 0
0,989
583
0,994
778
7 0,275298
0,524688
0,708121
0,841499
7 0 0 0,989583
0,994778
8 0,280
111
0,5292
55
0,535
156 0,731
544 8 0 0
0,989
583
0,994
778
9 0,294882
0,54303
0,568544
0,754019
9 0 0 0,989583
0,994778
1
0
0,300
521
0,5481
98
0,589
167
0,767
572
1
0 0 0
0,989
583
0,994
778
2014-2 2015-2
k MSEt
rain
RMSE
train
MSE
test
RMS
Etest k
MSEt
rain
RMSE
train
MSE
test
RMS
Etest
1 0,020
833
0,1443
38
0,989
583
0,994
778 1
0,166
667
0,4082
48
0,989
583
0,994
778
2 0,033
854
0,1839
95
1,424
479
1,193
515 2
0,093
75
0,3061
86
0,989
583
0,994
778
3 0,042
824
0,2069
4
0,899
306
0,948
317 3
0,105
324
0,3245
37
0,989
583
0,994
778
4 0,050
13
0,2238
98
0,794
271
0,891
219 4
0,102
214
0,3197
09
0,687
5
0,829
156
5 0,053
75
0,2318
4
0,799
583
0,894
194 5
0,109
167
0,3304
04
0,661
25
0,813
173
6 0,055266
0,235088
0,773148
0,879288
6 0,112558
0,335496
0,702546
0,83818
7 0,048
895
0,2211
21
0,759
141
0,871
287 7
0,120
961
0,3477
94
0,697
066
0,834
905
8 0,040039
0,200098
0,744141
0,862636
8 0,127767
0,357445
0,651042
0,806872
9 0,045
01
0,2121
56
0,726
209
0,852
179 9
0,140
175
0,3743
99
0,655
736
0,809
775
10
0,049792
0,22314
0,747083
0,86434
10
0,146458
0,382699
0,665417
0,815731
D-23
2016-1
k MSEtrain RMSEtrain MSEtest RMSEtest
1 0 0 0,989583 0,994778
2 0 0 0,989583 0,994778
3 0 0 0,989583 0,994778
4 0 0 0,989583 0,994778
5 0 0 0,989583 0,994778
6 0 0 0,989583 0,994778
7 0 0 0,989583 0,994778
8 0 0 0,989583 0,994778
9 0 0 0,989583 0,994778
10 0 0 0,989583 0,994778
D-24
(halaman ini sengaja dikosongkan)
E-1
LAMPIRAN E HASIL PERAMALAN
Gambar 5-A. 1 Grafik hasil peramalan motor
Gambar 5-A. 2 Grafik hasil peramalan mobil
0100200300400500600700800900
10000
5.0
0 -
05
.10
05
.40
- 0
5.5
0
06
.20
- 0
6.3
0
07
.00
- 0
7.1
0
07
.40
- 0
7.5
0
08
.20
- 0
8.3
0
09
.00
- 0
9.1
0
09
.40
- 0
9.5
0
10
.20
- 1
0.3
0
11
.00
- 1
1.1
0
11
.40
- 1
1.5
0
12
.20
- 1
2.3
0
13
.00
- 1
3.1
0
13.
40 -
13
.50
14
.20
- 1
4.3
0
15
.00
- 1
5.1
0
15
.40
- 1
5.5
0
16
.20
- 1
6.3
0
17
.00
- 1
7.1
0
17
.40
- 1
7.5
0
18.
20 -
18
.30
19
.00
- 1
9.1
0
19
.40
- 1
9.5
0
20
.20
- 2
0.3
0
jum
lah
mo
tor
waktu
Peramalan jumlah motor 2017 periode 1
0
100
200
300
400
500
600
05.
00 -
05
.10
05.
40 -
05
.50
06.
20 -
06
.30
07.
00 -
07
.10
07.
40 -
07
.50
08.
20 -
08
.30
09.
00 -
09
.10
09.
40 -
09
.50
10.
20 -
10
.30
11.
00 -
11
.10
11.
40 -
11
.50
12.
20 -
12
.30
13.
00 -
13
.10
13.
40 -
13
.50
14.
20 -
14
.30
15.
00 -
15
.10
15.
40 -
15
.50
16.
20 -
16
.30
17.
00 -
17
.10
17.
40 -
17
.50
18.
20 -
18
.30
19.
00 -
19
.10
19.
40 -
19
.50
20.
20 -
20
.30
jum
lah
mo
bil
waktu
peramalan jumlah mobil 2017 periode 1
E-2
Gambar 5-A. 3 Grafik hasil peramalan angkot
Gambar 5-A. 4 Grafik hasil peramalan taksi
02468
10121416
05
.00
- 0
5.1
0
05
.40
- 0
5.5
0
06
.20
- 0
6.3
0
07
.00
- 0
7.1
0
07
.40
- 0
7.5
0
08
.20
- 0
8.3
0
09.
00 -
09
.10
09.
40 -
09
.50
10
.20
- 1
0.3
0
11
.00
- 1
1.1
0
11
.40
- 1
1.5
0
12
.20
- 1
2.3
0
13
.00
- 1
3.1
0
13
.40
- 1
3.5
0
14
.20
- 1
4.3
0
15
.00
- 1
5.1
0
15
.40
- 1
5.5
0
16
.20
- 1
6.3
0
17
.00
- 1
7.1
0
17
.40
- 1
7.5
0
18
.20
- 1
8.3
0
19
.00
- 1
9.1
0
19
.40
- 1
9.5
0
20
.20
- 2
0.3
0
jum
lah
an
gko
t
waktu
peramalan jumlah angkot 2017 periode 1
0
5
10
15
20
25
30
35
05.
00 -
05
.10
05.
40 -
05
.50
06.
20 -
06
.30
07.
00 -
07
.10
07.
40 -
07
.50
08.
20 -
08
.30
09.
00 -
09
.10
09.
40 -
09
.50
10.
20 -
10
.30
11.
00 -
11
.10
11.
40 -
11
.50
12.
20 -
12
.30
13.
00 -
13
.10
13.
40 -
13
.50
14.
20 -
14
.30
15.
00 -
15
.10
15.
40 -
15
.50
16.
20 -
16
.30
17.
00 -
17
.10
17.
40 -
17
.50
18.
20 -
18
.30
19.
00 -
19
.10
19.
40 -
19
.50
20.
20 -
20
.30
jum
lah
tak
si
waktu
peramalan jumlah taksi 2017 periode 1
E-3
Gambar 5-A. 5 Grafik hasil peramalan bus besar
Gambar 5-A. 6 Grafik hasil peramalan bus mini
0
1
2
3
4
5
05
.00
- 0
5.1
0
05
.40
- 0
5.5
0
06
.20
- 0
6.3
0
07
.00
- 0
7.1
0
07
.40
- 0
7.5
0
08
.20
- 0
8.3
0
09
.00
- 0
9.1
0
09
.40
- 0
9.5
0
10
.20
- 1
0.3
0
11.
00 -
11
.10
11
.40
- 1
1.5
0
12
.20
- 1
2.3
0
13
.00
- 1
3.1
0
13
.40
- 1
3.5
0
14
.20
- 1
4.3
0
15
.00
- 1
5.1
0
15
.40
- 1
5.5
0
16
.20
- 1
6.3
0
17
.00
- 1
7.1
0
17
.40
- 1
7.5
0
18
.20
- 1
8.3
0
19
.00
- 1
9.1
0
19
.40
- 1
9.5
0
20.
20 -
20
.30
jum
lah
bu
s b
esar
waktu
peramalan jumlah bus besar 2017 periode 1
0
1
2
3
4
5
6
05.
00 -
05
.10
05.
40 -
05
.50
06.
20 -
06
.30
07.
00 -
07
.10
07.
40 -
07
.50
08.
20 -
08
.30
09.
00 -
09
.10
09.
40 -
09
.50
10.
20 -
10
.30
11.
00 -
11
.10
11.
40 -
11
.50
12.
20 -
12
.30
13.
00 -
13
.10
13.
40 -
13
.50
14.
20 -
14
.30
15.
00 -
15
.10
15.
40 -
15
.50
16.
20 -
16
.30
17.
00 -
17
.10
17.
40 -
17
.50
18.
20 -
18
.30
19.
00 -
19
.10
19.
40 -
19
.50
20.
20 -
20
.30
jum
lah
bu
s m
ini
waktu
peramalan jumlah bus mini 2017 periode 1
E-4
Gambar 5-A. 7 Grafik hasil peramalan mini truk
Gambar 5-A. 8 Grafik hasil peramalan truk 2 sb
0
1
2
3
4
50
5.0
0 -
05
.10
05
.40
- 0
5.5
0
06
.20
- 0
6.3
0
07
.00
- 0
7.1
0
07
.40
- 0
7.5
0
08
.20
- 0
8.3
0
09
.00
- 0
9.1
0
09.
40 -
09
.50
10
.20
- 1
0.3
0
11
.00
- 1
1.1
0
11
.40
- 1
1.5
0
12
.20
- 1
2.3
0
13
.00
- 1
3.1
0
13
.40
- 1
3.5
0
14
.20
- 1
4.3
0
15
.00
- 1
5.1
0
15
.40
- 1
5.5
0
16
.20
- 1
6.3
0
17
.00
- 1
7.1
0
17
.40
- 1
7.5
0
18
.20
- 1
8.3
0
19.
00 -
19
.10
19
.40
- 1
9.5
0
20
.20
- 2
0.3
0
jum
lah
waktu
peramalan jumlah mini truk 2017 periode 1
0
1
2
3
4
05.
00 -
05
.10
05.
40 -
05
.50
06.
20 -
06
.30
07.
00 -
07
.10
07.
40 -
07
.50
08.
20 -
08
.30
09.
00 -
09
.10
09.
40 -
09
.50
10.
20 -
10
.30
11.
00 -
11
.10
11.
40 -
11
.50
12.
20 -
12
.30
13.
00 -
13
.10
13.
40 -
13
.50
14.
20 -
14
.30
15.
00 -
15
.10
15.
40 -
15
.50
16.
20 -
16
.30
17.
00 -
17
.10
17.
40 -
17
.50
18.
20 -
18
.30
19.
00 -
19
.10
19.
40 -
19
.50
20.
20 -
20
.30
jum
lah
waktu
peramalan jumlah truk 2 SB 2017 periode 1
F-1
LAMPIRAN F DATA PERAMALAN
Tabel A-6.1 Adalah data hasil peramalan, yaitu data jumlah
kendaraan pada tahun 2017 periode 1 untuk kendaraan motor,
mobil, angkot, taksi, bus besar, bus mini, mini truk dan truk 2
sb.
Tabel A-6. 1 Data hasil peramalan
Waktu M MP T A BB BM MT T2
05.00 - 05.10 686 157 4 10 1 5 1 0
05.10 - 05.20 660 155 5 9 1 0 0 2
05.20 - 05.30 653 136 4 10 3 5 0 0
05.30 - 05.40 850 169 10 12 3 0 0 0
05.40 - 05.50 748 168 6 12 2 0 0 2
05.50 - 06.00 849 179 9 11 2 0 0 0
06.00 - 06.10 847 197 10 13 2 1 1 1
06.10 - 06.20 825 220 8 13 3 1 0 1
06.20 - 06.30 808 220 9 11 2 1 0 0
06.30 - 06.40 814 220 9 13 2 0 0 1
06.40 - 06.50 802 218 13 14 3 0 0 3
06.50 - 07.00 825 218 9 12 2 0 0 0
07.00 - 07.10 862 318 6 13 2 2 0 0
07.10 - 07.20 853 336 10 14 3 0 0 0
07.20 - 07.30 880 312 7 13 2 0 0 1
07.30 - 07.40 879 301 7 11 3 1 0 2
07.40 - 07.50 864 277 12 12 2 0 0 1
07.50 - 08.00 875 301 14 10 2 2 0 3
08.00 - 08.10 882 323 10 9 2 0 2 1
08.10 - 08.20 889 336 11 8 2 0 1 2
08.20 - 08.30 876 331 13 7 2 1 0 0
08.30 - 08.40 889 331 13 7 1 0 0 3
F-2
Waktu M MP T A BB BM MT T2
08.40 - 08.50 881 332 9 7 2 0 1 0
08.50 - 09.00 880 351 12 10 3 0 0 1
09.00 - 09.10 859 255 20 11 2 0 0 3
09.10 - 09.20 822 267 12 8 3 0 1 3
09.20 - 09.30 784 251 15 9 4 1 0 3
09.30 - 09.40 840 261 16 6 2 0 0 1
09.40 - 09.50 808 256 17 6 2 0 1 3
09.50 - 10.00 794 260 18 12 2 0 0 0
10.00 - 10.10 750 260 15 9 2 0 0 3
10.10 - 10.20 743 259 12 9 2 0 0 3
10.20 - 10.30 745 251 9 8 1 0 0 1
10.30 - 10.40 722 290 16 7 2 0 1 1
10.40 - 10.50 711 287 14 9 2 1 0 0
10.50 - 11.00 739 295 17 7 3 0 1 0
11.00 - 11.10 719 266 13 8 2 0 0 2
11.10 - 11.20 741 243 10 7 3 1 0 2
11.20 - 11.30 710 243 15 8 3 1 0 1
11.30 - 11.40 766 262 14 10 3 0 0 1
11.40 - 11.50 710 251 13 10 2 0 0 0
11.50 - 12.00 740 253 15 8 2 0 0 1
12.00 - 12.10 744 239 18 14 2 0 0 1
12.10 - 12.20 777 237 14 15 2 0 0 1
12.20 - 12.30 758 250 13 12 2 1 0 0
12.30 - 12.40 772 243 17 10 2 0 0 1
12.40 - 12.50 772 243 12 9 4 0 0 0
12.50 - 13.00 763 248 14 10 2 0 0 0
13.00 - 13.10 832 314 15 5 3 0 0 3
13.10 - 13.20 829 313 15 4 2 1 0 1
F-3
Waktu M MP T A BB BM MT T2
13.20 - 13.30 819 311 18 5 2 0 0 0
13.30 - 13.40 820 298 15 5 2 0 1 0
13.40 - 13.50 817 297 15 8 2 0 0 3
13.50 - 14.00 821 303 17 6 2 1 1 0
14.00 - 14.10 823 418 25 6 3 0 4 1
14.10 - 14.20 837 280 18 4 2 0 2 0
14.20 - 14.30 830 428 30 3 4 0 0 1
14.30 - 14.40 823 426 29 4 1 0 2 0
14.40 - 14.50 823 393 27 3 2 0 0 0
14.50 - 15.00 859 481 29 3 2 1 2 0
15.00 - 15.10 911 386 28 3 1 0 2 0
15.10 - 15.20 846 395 30 4 2 0 0 1
15.20 - 15.30 820 417 32 3 2 2 0 0
15.30 - 15.40 816 338 31 4 2 0 0 0
15.40 - 15.50 820 365 27 5 2 0 0 0
15.50 - 16.00 837 376 26 3 3 1 1 0
16.00 - 16.10 888 408 29 3 2 1 1 0
16.10 - 16.20 866 384 27 4 3 0 0 0
16.20 - 16.30 869 410 22 3 3 0 0 0
16.30 - 16.40 914 393 24 4 2 1 0 0
16.40 - 16.50 911 393 25 4 2 0 0 0
16.50 - 17.00 892 381 24 4 2 0 0 0
17.00 - 17.10 883 365 23 5 2 0 1 3
17.10 - 17.20 876 374 20 4 1 0 0 0
17.20 - 17.30 896 381 20 2 1 0 1 0
17.30 - 17.40 940 365 25 2 2 0 1 0
F-4
Waktu M MP T A BB BM MT T2
17.40 - 17.50 917 375 20 3 2 0 0 0
17.50 - 18.00 924 354 24 1 2 0 0 0
18.00 - 18.10 862 381 23 2 1 0 0 1
18.10 - 18.20 849 372 21 1 3 1 0 0
18.20 - 18.30 893 390 20 3 1 0 0 0
18.30 - 18.40 877 396 18 2 3 0 0 0
18.40 - 18.50 860 369 10 2 2 0 0 1
18.50 - 19.00 862 404 13 2 2 0 0 0
19.00 - 19.10 862 373 9 1 3 0 1 0
19.10 - 19.20 837 370 9 1 2 0 0 1
19.20 - 19.30 835 373 9 2 1 0 0 0
19.30 - 19.40 842 382 7 1 2 0 0 0
19.40 - 19.50 814 299 8 2 2 0 0 0
19.50 - 20.00 700 352 5 1 3 0 0 0
20.00 - 20.10 669 209 5 1 3 0 0 0
20.10 - 20.20 673 211 5 1 2 0 0 0
20.20 - 20.30 675 170 5 1 2 0 1 0
20.30 - 20.40 680 212 5 1 2 0 0 0
20.40 - 20.50 680 174 5 1 3 0 0 0
20.50 - 21.00 683 173 4 1 1 0 1 0
Keterangan:
M = Motor
MP = Mobil Pribadi
A = Angkot
T = Taksi
BM = Bus Mini
BB = Bus Besar
MT = Mini Truk
T2 = Truk 2 SB
F-5
Recommended